論文の概要: Terabyte-scale supervised 3D training and benchmarking dataset of the
mouse kidney
- arxiv url: http://arxiv.org/abs/2108.02226v1
- Date: Wed, 4 Aug 2021 18:08:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-07 01:50:16.164553
- Title: Terabyte-scale supervised 3D training and benchmarking dataset of the
mouse kidney
- Title（参考訳）: テラバイトスケール教師付きマウス腎臓の3dトレーニングとベンチマークデータセット
- Authors: Willy Kuo, Diego Rossinelli, Georg Schulz, Roland H. Wenger, Simone
Hieber, Bert M\"uller, Vartan Kurtcuoglu
- Abstract要約: 3Dバイオメディカル画像のセグメンテーションのための機械学習アルゴリズムの性能は、2D写真の分類に使用されるアルゴリズムよりも遅れている。
これは、高ボリュームで高品質なトレーニングデータセットの欠如によって説明できる。
この研究で提示されたHR-キドニーデータセットは、1.7TBの人工物補正シンクロトロン放射に基づくX線位相コントラストマイクロトモグラフィー画像と33729グロメリーの検証されたセグメンテーションを提供することにより、このギャップを橋渡しする。
- 参考スコア（独自算出の注目度）: 1.4072064932290225
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The performance of machine learning algorithms used for the segmentation of
3D biomedical images lags behind that of the algorithms employed in the
classification of 2D photos. This may be explained by the comparative lack of
high-volume, high-quality training datasets, which require state-of-the art
imaging facilities, domain experts for annotation and large computational and
personal resources to create. The HR-Kidney dataset presented in this work
bridges this gap by providing 1.7 TB of artefact-corrected synchrotron
radiation-based X-ray phase-contrast microtomography images of whole mouse
kidneys and validated segmentations of 33 729 glomeruli, which represents a 1-2
orders of magnitude increase over currently available biomedical datasets. The
dataset further contains the underlying raw data, classical segmentations of
renal vasculature and uriniferous tubules, as well as true 3D manual
annotations. By removing limits currently imposed by small training datasets,
the provided data open up the possibility for disruptions in machine learning
for biomedical image analysis.
- Abstract（参考訳）: 3Dバイオメディカル画像のセグメンテーションに使用される機械学習アルゴリズムのパフォーマンスは、2D写真の分類に使用されるアルゴリズムよりも遅れている。
これは、最先端のイメージング設備、アノテーションのためのドメインエキスパート、大規模な計算および個人リソースを必要とする、高ボリュームで高品質なトレーニングデータセットの欠如によって説明できる。
この研究で提示されたHR-キドニーデータセットは、全マウス腎臓の1.7TBの人工物補正シンクロトロン放射によるX線位相コントラストマイクロトモグラフィ画像と、現在利用可能なバイオメディカルデータセットよりも1-2桁大きくなった33729グロメリリのセグメンテーションを提供することによって、このギャップを橋渡しする。
さらにデータセットには、基礎となる生データ、腎血管と尿管管の古典的な分割、真の3d手動アノテーションが含まれている。
提供されるデータは、小さなトレーニングデータセットが課している制限を取り除くことによって、バイオメディカルイメージ分析のための機械学習の破壊の可能性を開く。
関連論文リスト
- μ-Net: A Deep Learning-Based Architecture for μ-CT Segmentation [2.012378666405002]
X線計算マイクロトモグラフィー(mu-CT)は、医学および生物学的サンプルの内部解剖の高解像度な3D画像を生成する非破壊的手法である。
3D画像から関連情報を抽出するには、興味のある領域のセマンティックセグメンテーションが必要である。
本稿では、畳み込みニューラルネットワーク(CNN)を用いて、Carassius auratusの心臓の完全な形態を自動分割する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-24T15:29:08Z) - Discriminative Hamiltonian Variational Autoencoder for Accurate Tumor Segmentation in Data-Scarce Regimes [2.8498944632323755]
医用画像分割のためのエンドツーエンドハイブリッドアーキテクチャを提案する。
ハミルトン変分オートエンコーダ(HVAE)と識別正則化を用いて生成画像の品質を向上する。
我々のアーキテクチャはスライス・バイ・スライス・ベースで3Dボリュームを分割し、リッチな拡張データセットをカプセル化する。
論文 参考訳（メタデータ） (2024-06-17T15:42:08Z) - Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。
我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
論文 参考訳（メタデータ） (2024-04-15T02:41:55Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - 2DeteCT -- A large 2D expandable, trainable, experimental Computed
Tomography dataset for machine learning [1.0266286487433585]
機械学習技術の開発に適した,汎用的でオープンな2次元ファンビームCTデータセットを提供する。
形状, 密度の異なる多種多様な試料をスライス・バイ・スライスでスキャンした。
我々は、オープンソースのデータ処理パイプラインに基づいて、生のプロジェクションデータ、参照再構成、セグメンテーションを提供する。
論文 参考訳（メタデータ） (2023-06-09T14:02:53Z) - Oral-3Dv2: 3D Oral Reconstruction from Panoramic X-Ray Imaging with
Implicit Neural Representation [3.8215162658168524]
Oral-3Dv2は、単一のパノラマX線画像から3Dラジオロジーを再構成する非逆学習モデルである。
本モデルは,2次元座標を3次元空間内のボクセルの密度値にマッピングすることにより,暗黙的に3次元口腔構造を表現することを学習する。
我々の知る限りでは、これは1枚のパノラマX線画像から3Dラジオグラフィ再構成における非逆学習モデルの最初の作品である。
論文 参考訳（メタデータ） (2023-03-21T18:17:27Z) - SD-LayerNet: Semi-supervised retinal layer segmentation in OCT using
disentangled representation with anatomical priors [4.2663199451998475]
網膜層セグメンテーションタスクに半教師付きパラダイムを導入する。
特に、表面位置回帰をピクセル単位で構造化されたセグメンテーションに変換するために、新しい完全微分可能なアプローチが用いられる。
並行して,ラベル付きデータの限られた量が利用できる場合に,ネットワークトレーニングを改善するための解剖学的事前セットを提案する。
論文 参考訳（メタデータ） (2022-07-01T14:30:59Z) - 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) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳（メタデータ） (2020-08-22T07:48:04Z)
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。