論文の概要: 3D WaveUNet: 3D Wavelet Integrated Encoder-Decoder Network for Neuron
Segmentation
- arxiv url: http://arxiv.org/abs/2106.00259v1
- Date: Tue, 1 Jun 2021 06:46:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-03 01:41:06.418086
- Title: 3D WaveUNet: 3D Wavelet Integrated Encoder-Decoder Network for Neuron
Segmentation
- Title(参考訳): 3d waveunet:3d wavelet integrated encoder-decoder network for neuron segmentation
- Authors: Qiufu Li and Linlin Shen
- Abstract要約: 本稿では3次元ウェーブレットとディープラーニングに基づく3次元ニューロン分割法を提案する。
統合された3Dウェーブレットは、3Dニューロンセグメンテーションと再構成の性能を効率よく向上させることができる。
- 参考スコア(独自算出の注目度): 24.708228159529824
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D neuron segmentation is a key step for the neuron digital reconstruction,
which is essential for exploring brain circuits and understanding brain
functions. However, the fine line-shaped nerve fibers of neuron could spread in
a large region, which brings great computational cost to the segmentation in 3D
neuronal images. Meanwhile, the strong noises and disconnected nerve fibers in
the image bring great challenges to the task. In this paper, we propose a 3D
wavelet and deep learning based 3D neuron segmentation method. The neuronal
image is first partitioned into neuronal cubes to simplify the segmentation
task. Then, we design 3D WaveUNet, the first 3D wavelet integrated
encoder-decoder network, to segment the nerve fibers in the cubes; the wavelets
could assist the deep networks in suppressing data noise and connecting the
broken fibers. We also produce a Neuronal Cube Dataset (NeuCuDa) using the
biggest available annotated neuronal image dataset, BigNeuron, to train 3D
WaveUNet. Finally, the nerve fibers segmented in cubes are assembled to
generate the complete neuron, which is digitally reconstructed using an
available automatic tracing algorithm. The experimental results show that our
neuron segmentation method could completely extract the target neuron in noisy
neuronal images. The integrated 3D wavelets can efficiently improve the
performance of 3D neuron segmentation and reconstruction. The code and
pre-trained models for this work will be available at
https://github.com/LiQiufu/3D-WaveUNet.
- Abstract(参考訳): 3Dニューロンセグメンテーションは、脳回路の探索と脳機能の理解に不可欠なニューロンのデジタル再構成の重要なステップである。
しかし、ニューロンの細い線状神経繊維は広い領域に広がり、3Dニューロン画像のセグメンテーションに多大な計算コストをもたらす可能性がある。
一方、画像内の強いノイズと断線された神経繊維は、タスクに大きな課題をもたらします。
本稿では,3次元ウェーブレットとディープラーニングに基づく3次元ニューロン分割法を提案する。
ニューロンイメージは、セグメンテーションタスクを単純化するために、まずニューロンキューブに分割される。
次に、最初の3dウェーブレット統合エンコーダ・デコーダネットワークである3d waveunetを設計し、キューブ内の神経繊維を分割する。
また、3D WaveUNetをトレーニングするために、最大の注釈付きニューロン画像データセットであるBigNeuronを用いて、NeuCuDa(NeuCuDa)を作成する。
最後に、キューブに区切られた神経線維を組み立てて完全なニューロンを生成し、利用可能な自動追跡アルゴリズムを用いてデジタル再構成する。
実験結果から, ノイズニューロン画像中の標的ニューロンを完全に抽出できる可能性が示唆された。
統合された3Dウェーブレットは、3Dニューロンセグメンテーションと再構成の性能を効率よく向上させることができる。
この作業のコードと事前訓練されたモデルはhttps://github.com/LiQiufu/3D-WaveUNet.comで入手できる。
関連論文リスト
- Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-05T19:45:12Z) - MinD-3D: Reconstruct High-quality 3D objects in Human Brain [53.546633606914455]
Recon3DMindは、fMRI(Functional Magnetic Resonance Imaging)信号から3D視覚を再構築することに焦点を当てた画期的なタスクである。
総合的なfMRI信号キャプチャのための3Dオブジェクトの360度映像を利用したfMRI-Shapeデータセットを提案する。
また,fMRI信号から脳の3次元視覚情報をデコードし,再構成する新しい3段階フレームワークMinD-3Dを提案する。
論文 参考訳(メタデータ) (2023-12-12T18:21:36Z) - SegNeRF: 3D Part Segmentation with Neural Radiance Fields [63.12841224024818]
SegNeRFは、通常の放射場とセマンティックフィールドを統合するニューラルネットワーク表現である。
SegNeRFは、未確認のオブジェクトであっても、ポーズされた画像から幾何学、外観、意味情報を同時に予測することができる。
SegNeRFは、野生で撮影されたオブジェクトの1つのイメージから、対応する部分のセグメンテーションによって、明示的な3Dモデルを生成することができる。
論文 参考訳(メタデータ) (2022-11-21T07:16:03Z) - PointNeuron: 3D Neuron Reconstruction via Geometry and Topology Learning
of Point Clouds [18.738943602529805]
本稿では3次元ニューロン再構築のための新しい枠組みを提案する。
私たちのキーとなるアイデアは、点雲の幾何学的表現力を使って、ニューロンの固有の構造情報をよりよく探索することです。
論文 参考訳(メタデータ) (2022-10-15T14:11:56Z) - Event-based Video Reconstruction via Potential-assisted Spiking Neural
Network [48.88510552931186]
バイオインスパイアされたニューラルネットワークは、イベント駆動ハードウェア上での計算効率の向上につながる可能性がある。
完全スパイキングニューラルネットワーク(EVSNN)に基づくイベントベースビデオ再構成フレームワークを提案する。
スパイクニューロンは、そのような時間依存タスクを完了させるために有用な時間情報(メモリ)を格納する可能性がある。
論文 参考訳(メタデータ) (2022-01-25T02:05:20Z) - Voxel-wise Cross-Volume Representation Learning for 3D Neuron
Reconstruction [27.836007480393953]
本稿では,エンコーダとデコーダのセグメンテーションモデルに基づいて,新しいボクセルレベルのクロスボリューム表現学習パラダイムを提案する。
我々の手法は推論中に余分なコストを伴わない。
提案手法は,BigNeuronプロジェクトから得られた42個の3次元ニューロン画像に基づいて,元のセグメンテーションモデルの学習能力を向上させる。
論文 参考訳(メタデータ) (2021-08-14T12:17:45Z) - Single Neuron Segmentation using Graph-based Global Reasoning with
Auxiliary Skeleton Loss from 3D Optical Microscope Images [30.539098538610013]
局所的出現とグローバルジオメトリ特性を共同で検討し,エンドツーエンドのセグメンテーションネットワークを提案する。
The evaluation results on the Janelia dataset from the BigNeuron project showed that our proposed method is over the other algorithm in performance。
論文 参考訳(メタデータ) (2021-01-22T01:27:14Z) - Pix2Vox++: Multi-scale Context-aware 3D Object Reconstruction from
Single and Multiple Images [56.652027072552606]
Pix2Vox++という,単一ビューと複数ビューの3Dオブジェクト再構成のための新しいフレームワークを提案する。
良く設計されたエンコーダデコーダを用いて、各入力画像から粗い3Dボリュームを生成する。
次に、マルチスケールコンテキスト対応融合モジュールを導入し、全ての粗い3Dボリュームから異なる部分の高品質な再構成を適応的に選択し、融合した3Dボリュームを得る。
論文 参考訳(メタデータ) (2020-06-22T13:48:09Z) - Self-Supervised Feature Extraction for 3D Axon Segmentation [7.181047714452116]
既存の学習ベースの3D脳画像の軸索を自動的に追跡する手法は、手動で注釈付けされたセグメンテーションラベルに依存することが多い。
本研究では、軸索の管状構造を利用してラベルのないデータから特徴抽出器を構築する自己教師付き補助タスクを提案する。
単一ニューロンであるJanliaデータセットであるShielD PVGPeデータセットとBigNeuron Projectの両方で,3次元U-Netモデルよりも優れたセグメンテーション性能を示す。
論文 参考訳(メタデータ) (2020-04-20T20:46:04Z) - Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。
コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
論文 参考訳(メタデータ) (2020-02-02T21:09:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。