論文の概要: PyTorch Connectomics: A Scalable and Flexible Segmentation Framework for EM Connectomics

• arxiv url: http://arxiv.org/abs/2112.05754v1
• Date: Fri, 10 Dec 2021 04:02:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-18 20:38:53.930005
• Title: PyTorch Connectomics: A Scalable and Flexible Segmentation Framework for EM Connectomics
• Title（参考訳）: PyTorch Connectomics: EM Connectomicsのためのスケーラブルで柔軟なセグメンテーションフレームワーク
• Authors: Zudi Lin, Donglai Wei, Jeff Lichtman and Hanspeter Pfister
• Abstract要約: PyTorch Connectomics (PyTC)は、ボリューム顕微鏡画像のセマンティックスとインスタンスセグメンテーションのためのオープンソースのディープラーニングフレームワークである。 PyTCは、神経細胞、シナプス、およびミトコンドリアなどのオルガネラをナノメートル分解能で分断し、動物の脳における神経伝達、代謝、発達を理解することを目的としている。
• 参考スコア（独自算出の注目度）: 26.612749327414335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present PyTorch Connectomics (PyTC), an open-source deep-learning framework for the semantic and instance segmentation of volumetric microscopy images, built upon PyTorch. We demonstrate the effectiveness of PyTC in the field of connectomics, which aims to segment and reconstruct neurons, synapses, and other organelles like mitochondria at nanometer resolution for understanding neuronal communication, metabolism, and development in animal brains. PyTC is a scalable and flexible toolbox that tackles datasets at different scales and supports multi-task and semi-supervised learning to better exploit expensive expert annotations and the vast amount of unlabeled data during training. Those functionalities can be easily realized in PyTC by changing the configuration options without coding and adapted to other 2D and 3D segmentation tasks for different tissues and imaging modalities. Quantitatively, our framework achieves the best performance in the CREMI challenge for synaptic cleft segmentation (outperforms existing best result by relatively 6.1$\%$) and competitive performance on mitochondria and neuronal nuclei segmentation. Code and tutorials are publicly available at https://connectomics.readthedocs.io.
• Abstract（参考訳）: PyTorch Connectomics (PyTC)は、PyTorch上に構築されたボリューム顕微鏡画像のセマンティックスとインスタンスセグメンテーションのためのオープンソースのディープラーニングフレームワークである。 動物脳における神経伝達,代謝,発達を理解するために,神経細胞,シナプス,ミトコンドリアなどのオルガネラをナノメートル分解能で分割・再構成することを目的としたコネトミクス分野におけるPyTCの有効性を実証する。 PyTCはスケーラブルでフレキシブルなツールボックスで、さまざまなスケールのデータセットに対処し、マルチタスクとセミ教師付き学習をサポートし、高価な専門家アノテーションとトレーニング中の膨大な未ラベルデータを活用する。 これらの機能は、コード化せずに構成オプションを変更し、異なる組織のための他の2Dおよび3Dセグメンテーションタスクや画像モダリティに適応することにより、PyTCで容易に実現できる。 定量的に,本研究の枠組みは,シナプス裂裂の分節化(相対的に6.1$$%$)とミトコンドリアおよび神経細胞の分節における競合性において,cremiチャレンジにおいて最高の性能を達成している。 コードとチュートリアルはhttps://connectomics.readthedocs.ioで公開されている。

関連論文リスト

• Multi-Domain Data Aggregation for Axon and Myelin Segmentation in Histology Images [0.5825410941577593]
  組織像における軸索とミエリンの性質の定量化は、神経変性疾患による微細構造変化に関する有用な情報を提供することができる。 ディープラーニングの進歩により、このタスクは最小限のオーバーヘッドで迅速かつ信頼性が高くなっていますが、ある研究グループによってトレーニングされたディープラーニングモデルは、他のグループによって利用されることがほとんどありません。 研究者がワークフローを円滑に実行し、加速するためにAIを利用できるようにする必要があるが、公開モデルは不十分で、メンテナンスが不十分である。 我々のアプローチは、複数の画像モダリティからのデータを集約して、アクソンとミエリンセグメンテーションのためのオープンソースで耐久性のあるツールを作成することである。
  論文  参考訳（メタデータ） (2024-09-17T20:47:32Z)
• GCtx-UNet: Efficient Network for Medical Image Segmentation [0.2353157426758003]
  GCtx-UNetは軽量なセグメンテーションアーキテクチャで、最先端のアプローチよりも正確さでグローバルおよびローカルの画像特徴をキャプチャできる。 GCtx-UNetは、Synapseの多臓器腹部CTデータセット、ACDCの心臓MRIデータセット、およびいくつかのポリープセグメンテーションデータセットで評価される。
  論文  参考訳（メタデータ） (2024-06-09T19:17:14Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• Learning Topological Interactions for Multi-Class Medical Image Segmentation [7.95994513875072]
  我々は、トポロジカル相互作用をディープニューラルネットワークにエンコードする新しいトポロジカル相互作用モジュールを導入する。 実装は完全に畳み込みベースなので、非常に効率的です。 本手法は,プロプライエタリデータセットとパブリックデータセットの両方において一般化可能であることを示す。
  論文  参考訳（メタデータ） (2022-07-20T05:09:43Z)
• Improving Across-Dataset Brain Tissue Segmentation Using Transformer [10.838458766450989]
  本研究では,脳組織セグメンテーションのための新しいCNN-Transformerハイブリッドアーキテクチャを提案する。 我々は、4つのマルチサイトT1w MRIデータセットでモデルの性能を検証する。
  論文  参考訳（メタデータ） (2022-01-21T15:16:39Z)
• CleftNet: Augmented Deep Learning for Synaptic Cleft Detection from Brain Electron Microscopy [49.3704402041314]
  本稿では,脳em画像からのシナプス裂検出を改善するために,cleftnetと呼ばれる新しい拡張深層学習モデルを提案する。 まず、機能拡張器とラベル拡張器と呼ばれる2つの新しいネットワークコンポーネントを提案し、機能とラベルを強化し、口蓋表現を改善します。
  論文  参考訳（メタデータ） (2021-01-12T02:45:53Z)
• PyHealth: A Python Library for Health Predictive Models [53.848478115284195]
  PyHealthは、医療データ上で様々な予測モデルを開発するためのオープンソースのPythonツールボックスである。 データ前処理モジュールにより、複雑なヘルスケアデータセットを機械学習フレンドリーなフォーマットに変換できます。 予測モデリングモジュールは、確立されたアンサンブルツリーとディープニューラルネットワークベースのアプローチを含む30以上の機械学習モデルを提供します。
  論文  参考訳（メタデータ） (2021-01-11T22:02:08Z)
• DoDNet: Learning to segment multi-organ and tumors from multiple partially labeled datasets [102.55303521877933]
  本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。 DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
  論文  参考訳（メタデータ） (2020-11-20T04:56:39Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。