Fugu-MT 論文翻訳(概要): NucMM Dataset: 3D Neuronal Nuclei Instance Segmentation at Sub-Cubic Millimeter Scale

論文の概要: NucMM Dataset: 3D Neuronal Nuclei Instance Segmentation at Sub-Cubic Millimeter Scale

arxiv url: http://arxiv.org/abs/2107.05840v1
Date: Tue, 13 Jul 2021 04:29:58 GMT
ステータス: 処理完了
システム内更新日: 2021-07-15 00:23:13.553529
Title: NucMM Dataset: 3D Neuronal Nuclei Instance Segmentation at Sub-Cubic Millimeter Scale
Title（参考訳）: nucmmデータセット:3次元ニューロン核インスタンスのサブキュービックミリメートルスケールでのセグメンテーション
Authors: Zudi Lin, Donglai Wei, Mariela D. Petkova, Yuelong Wu, Zergham Ahmed, Krishna Swaroop K, Silin Zou, Nils Wendt, Jonathan Boulanger-Weill, Xueying Wang, Nagaraju Dhanyasi, Ignacio Arganda-Carreras, Florian Engert, Jeff Lichtman, Hanspeter Pfister
Abstract要約: ニューロン核の現在のデータセットには、ボリュームあたり500インスタンス未満の10text-3 mm3$未満のボリュームが含まれている。我々はNucMMデータセットを,約170,000個の核を持つゼブラフィッシュ脳全体を含む0.1 mm3$電子顕微鏡(EM)ボリュームと,約7000個の核を持つマウス視覚野の一部を含む0.25 mm3$マイクロCT(uCT)ボリュームの2つの完全注釈付きボリュームでキュレートした。本研究では,フォアグラウンドマスク,輪郭マップ,符号付き距離変換の利点を組み合わせたハイブリッド表現学習モデルを提案する。
参考スコア（独自算出の注目度）: 22.14047361725743
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Segmenting 3D cell nuclei from microscopy image volumes is critical for biological and clinical analysis, enabling the study of cellular expression patterns and cell lineages. However, current datasets for neuronal nuclei usually contain volumes smaller than $10^{\text{-}3}\ mm^3$ with fewer than 500 instances per volume, unable to reveal the complexity in large brain regions and restrict the investigation of neuronal structures. In this paper, we have pushed the task forward to the sub-cubic millimeter scale and curated the NucMM dataset with two fully annotated volumes: one $0.1\ mm^3$ electron microscopy (EM) volume containing nearly the entire zebrafish brain with around 170,000 nuclei; and one $0.25\ mm^3$ micro-CT (uCT) volume containing part of a mouse visual cortex with about 7,000 nuclei. With two imaging modalities and significantly increased volume size and instance numbers, we discover a great diversity of neuronal nuclei in appearance and density, introducing new challenges to the field. We also perform a statistical analysis to illustrate those challenges quantitatively. To tackle the challenges, we propose a novel hybrid-representation learning model that combines the merits of foreground mask, contour map, and signed distance transform to produce high-quality 3D masks. The benchmark comparisons on the NucMM dataset show that our proposed method significantly outperforms state-of-the-art nuclei segmentation approaches. Code and data are available at https://connectomics-bazaar.github.io/proj/nucMM/index.html.
Abstract（参考訳）: 顕微鏡画像から3d細胞核を分割することは生物学的および臨床的解析に不可欠であり、細胞の発現パターンと細胞系統の研究を可能にする。しかし、現在の神経核のデータセットには、1ボリュームあたり500インスタンス未満の10^{\text{-}3}\mm^3$未満のボリュームが含まれており、大脳領域の複雑さを明らかにできず、ニューロン構造の調査を制限している。本稿では,この課題をサブキュービックミリメートルスケールにまで前進させ,nucmmデータセットを2つの完全な注釈付きボリュームでキュレートした。約170,000核のゼブラフィッシュ脳のほぼ全域を含む0.1\mm^3$電子顕微鏡(em)ボリュームと,約7,000核のマウス視覚皮質の一部を含む0.25\mm^3$ micro-ct(uct)ボリュームである。 2つの画像モダリティと、体積サイズとインスタンス数を大幅に増加させ、外観と密度におけるニューロン核の多様性を見出し、この分野に新たな挑戦をもたらした。また,これらの課題を定量的に説明するための統計分析を行った。この課題に対処するために,前景マスク,輪郭マップ,および符号付き距離変換の利点を組み合わせたハイブリッド表現学習モデルを提案し,高品質な3Dマスクを作成する。 nucmmデータセットのベンチマーク比較の結果,提案手法が最先端の核セグメンテーション手法を著しく上回っていることがわかった。コードとデータはhttps://connectomics-bazaar.github.io/proj/nucmm/index.htmlで入手できる。

関連論文リスト

DeepThalamus: A novel deep learning method for automatic segmentation of brain thalamic nuclei from multimodal ultra-high resolution MRI [32.73124984242397]
超高分解能(0.125mm3)での視床核分割のための多モード体積深部ニューラルネットワークの設計と実装を行った。超高分解能T1,T2,White Matter nulled (WMn) 画像を用いて半自動分割視床核のデータベースを構築した。ディープラーニングに基づく新しい戦略は、自動セグメンテーションを得るために設計され、その堅牢性とアクカリティを改善するために訓練された。
論文参考訳（メタデータ） (2024-01-15T14:59:56Z)
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)
AnyStar: Domain randomized universal star-convex 3D instance segmentation [8.670653580154895]
我々は、ランダムな外観で合成データ、向き、およびブロブのようなオブジェクトをシミュレートするドメインランダム化生成モデルであるAnyStarを提案する。結果として、生成モデルを用いたネットワークは、目に見えないデータセットからの注釈付き画像を必要としない。
論文参考訳（メタデータ） (2023-07-13T20:01:26Z)
CellViT: Vision Transformers for Precise Cell Segmentation and Classification [3.6000652088960785]
本稿では,視覚変換器(CellViT)を用いた深層学習アーキテクチャを用いて,デジタル化された組織試料中の細胞核のインスタンス分割を自動化する手法を提案する。我々は、最近発表されたSegment Anything Modelと1億4000万の組織像パッチに事前トレーニングされたViTエンコーダを活用することで、大規模なドメイン内および外部トレーニングされたビジョントランスの優位性を実証する。
論文参考訳（メタデータ） (2023-06-27T10:03:15Z)
Domain-agnostic segmentation of thalamic nuclei from joint structural and diffusion MRI [4.74939378804588]
視床核をT1から切り離すことができる最初のCNNと、リトレーニングや微調整なしに任意の解像度の拡散データを提示する。我々のCNNは、入力の解像度に関係なく、0.7mm等方分解能のセグメンテーションを生成する。
論文参考訳（メタデータ） (2023-05-05T10:26:50Z)
AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文参考訳（メタデータ） (2023-03-01T23:37:45Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
RCNN-SliceNet: A Slice and Cluster Approach for Nuclei Centroid Detection in Three-Dimensional Fluorescence Microscopy Images [16.377426160171982]
本稿では,3次元顕微鏡ボリュームの遠心波検出のためのスケーラブルなアプローチを提案する。本稿では、RCNN-SliceNetを用いて、体積のスライス毎に異なる方向から2次元核セントロイドを検出する。提案手法は, 3次元顕微鏡で核中心体を正確に計測し, 検出することができる。
論文参考訳（メタデータ） (2021-06-29T23:38:29Z)
Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文参考訳（メタデータ） (2020-10-20T08:36:51Z)
Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文参考訳（メタデータ） (2020-07-09T13:23:15Z)
A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。