Fugu-MT 論文翻訳(概要): Super-resolution reconstruction of cytoskeleton image based on A-net deep learning network

論文の概要: Super-resolution reconstruction of cytoskeleton image based on A-net deep learning network

arxiv url: http://arxiv.org/abs/2112.09574v1
Date: Fri, 17 Dec 2021 15:33:47 GMT
ステータス: 処理完了
システム内更新日: 2021-12-20 19:03:44.577637
Title: Super-resolution reconstruction of cytoskeleton image based on A-net deep learning network
Title（参考訳）: A-net深層学習ネットワークを用いた細胞骨格画像の超解像再構成
Authors: Qian Chen, Haoxin Bai, Bingchen Che, Tianyun Zhao, Ce Zhang, Kaige Wang, Jintao Bai, Wei Zhao
Abstract要約: 我々はA-netネットワークを提案し,分解モデルに基づくA-netディープラーニングネットワークとDWDCアルゴリズムを組み合わせることにより,サイトスケルトン画像の分解能を大幅に向上できることを示した。生画像中の細胞構造を阻害するノイズや凝集構造を除去し,比較的小さなデータセットを用いて空間分解能を10倍改善した。
参考スコア（独自算出の注目度）: 7.967593061012609
License: http://creativecommons.org/licenses/by/4.0/
Abstract: To date, live-cell imaging at the nanometer scale remains challenging. Even though super-resolution microscopy methods have enabled visualization of subcellular structures below the optical resolution limit, the spatial resolution is still far from enough for the structural reconstruction of biomolecules in vivo (i.e. ~24 nm thickness of microtubule fiber). In this study, we proposed an A-net network and showed that the resolution of cytoskeleton images captured by a confocal microscope can be significantly improved by combining the A-net deep learning network with the DWDC algorithm based on degradation model. Utilizing the DWDC algorithm to construct new datasets and taking advantage of A-net neural network's features (i.e., considerably fewer layers), we successfully removed the noise and flocculent structures, which originally interfere with the cellular structure in the raw image, and improved the spatial resolution by 10 times using relatively small dataset. We, therefore, conclude that the proposed algorithm that combines A-net neural network with the DWDC method is a suitable and universal approach for exacting structural details of biomolecules, cells and organs from low-resolution images.
Abstract（参考訳）: 現在まで、ナノメートルスケールでのライブセルイメージングは困難である。超高分解能顕微鏡法は光学分解能限界以下の細胞内構造の可視化を可能にしているが、空間分解能は生体内での生体分子の構造再構成(すなわち微小管繊維の24nmの厚さ)には程遠い。本研究では,共焦点顕微鏡で撮影された細胞骨格画像の解像度を,分解モデルに基づくa-net深層学習ネットワークとdwdcアルゴリズムを組み合わせることで大幅に向上できることを示す。 DWDCアルゴリズムを用いて新しいデータセットを構築し、A-netニューラルネットワークの特徴(層がかなり少ない)を活用することで、生画像の細胞構造に干渉するノイズや凝集構造を除去し、比較的小さなデータセットを用いて空間分解能を10倍改善した。したがって, a-netニューラルネットワークとdwdc法を組み合わせたアルゴリズムは, 低解像度画像から生体分子, 細胞, 臓器の構造的詳細を同定する上で, 適切かつ普遍的なアプローチであると考えられる。

関連論文リスト

MorphiNet: A Graph Subdivision Network for Adaptive Bi-ventricle Surface Reconstruction [2.0914823942325236]
本研究は,高分解能CT画像を活用することで,心臓モデル再構築を促進する新しいネットワークであるMorphiNetを紹介する。 MorphiNetは、解剖学的構造を勾配場としてエンコードし、テンプレートメッシュを患者固有のジオメトリに変換する。提案手法は, 約40%高いDiceスコア, ハースドルフ距離の半分, 平均表面誤差3mmの高解剖率を実現する。
論文参考訳（メタデータ） (2024-12-14T22:29:22Z)
A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。我々の推論速度は拡散法よりも1,400倍速い。
論文参考訳（メタデータ） (2024-10-05T20:03:57Z)
Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文参考訳（メタデータ） (2023-10-22T02:27:02Z)
Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文参考訳（メタデータ） (2023-10-11T12:46:11Z)
Spectral Bandwidth Recovery of Optical Coherence Tomography Images using Deep Learning [0.6990493129893112]
取得速度を向上する技術開発は、しばしばスペクトル帯域幅が狭くなり、したがって軸方向分解能が低くなる。従来,OCTのサブサンプルデータを再構成するために画像処理技術が用いられてきた。本研究では,スペクトル領域におけるガウスウィンドウ化による軸方向スキャン(Aスキャン)分解能の低下をシミュレートし,画像特徴再構成のための学習的アプローチについて検討する。
論文参考訳（メタデータ） (2023-01-02T02:18:32Z)
InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文参考訳（メタデータ） (2021-12-23T15:52:37Z)
Deep learning-based super-resolution fluorescence microscopy on small datasets [20.349746411933495]
ディープラーニングは、技術的障壁を減らし、回折制限画像から超解像を得る可能性を示している。本稿では,小型データセットと超解像画像の訓練を成功させた畳み込みニューラルネットワークに基づく新しいアプローチを示す。このモデルは、大規模なトレーニングデータセットの取得が困難なMRIやX線イメージングなどの他のバイオメディカルイメージングモードに適用することができます。
論文参考訳（メタデータ） (2021-03-07T03:17:47Z)
Boosted EfficientNet: Detection of Lymph Node Metastases in Breast Cancer Using Convolutional Neural Network [6.444922476853511]
The Convolutional Neutral Network (CNN) は乳癌のリンパ節転移の予測と分類に応用されている。そこで本研究では,小さな解像度画像を容易にするためのRandom Center Cropping (RCC) という新しいデータ拡張手法を提案する。
論文参考訳（メタデータ） (2020-10-10T15:18:56Z)
Enhanced MRI Reconstruction Network using Neural Architecture Search [22.735244777008422]
残差基本ブロックを用いたMRI再構成ネットワークを提案する。基本ブロック内の各セルに対して、差別化可能なニューラルアーキテクチャサーチ(NAS)技術を用いて、最適な操作を自動的に選択する。この新しい異種ネットワークは2つの公開データセットで評価され、現在の最先端の手法よりも優れています。
論文参考訳（メタデータ） (2020-08-19T03:44:31Z)
Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文参考訳（メタデータ） (2020-07-21T11:48:22Z)
Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文参考訳（メタデータ） (2020-06-22T11:41:57Z)

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。