Fugu-MT 論文翻訳(概要): Graph Neural Network for Cell Tracking in Microscopy Videos

論文の概要: Graph Neural Network for Cell Tracking in Microscopy Videos

arxiv url: http://arxiv.org/abs/2202.04731v1
Date: Wed, 9 Feb 2022 21:21:48 GMT
ステータス: 処理完了
システム内更新日: 2022-02-11 15:58:48.586991
Title: Graph Neural Network for Cell Tracking in Microscopy Videos
Title（参考訳）: 顕微鏡映像における細胞追跡のためのグラフニューラルネットワーク
Authors: Tal Ben-Haim, Tammy Riklin-Raviv
Abstract要約: 顕微鏡ビデオにおける細胞追跡のための新しいグラフニューラルネットワーク(GNN)を提案する。タイムラプスシーケンス全体を直接グラフとしてモデル化することにより,セルトラジェクトリの集合全体を抽出する。我々は、異なる生体細胞のインスタンスを区別する細胞特徴ベクトルを抽出するために、ディープメトリック学習アルゴリズムを利用する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a novel graph neural network (GNN) approach for cell tracking in high-throughput microscopy videos. By modeling the entire time-lapse sequence as a direct graph where cell instances are represented by its nodes and their associations by its edges, we extract the entire set of cell trajectories by looking for the maximal paths in the graph. This is accomplished by several key contributions incorporated into an end-to-end deep learning framework. We exploit a deep metric learning algorithm to extract cell feature vectors that distinguish between instances of different biological cells and assemble same cell instances. We introduce a new GNN block type which enables a mutual update of node and edge feature vectors, thus facilitating the underlying message passing process. The message passing concept, whose extent is determined by the number of GNN blocks, is of fundamental importance as it enables the `flow' of information between nodes and edges much behind their neighbors in consecutive frames. Finally, we solve an edge classification problem and use the identified active edges to construct the cells' tracks and lineage trees. We demonstrate the strengths of the proposed cell tracking approach by applying it to 2D and 3D datasets of different cell types, imaging setups, and experimental conditions. We show that our framework outperforms most of the current state-of-the-art methods.
Abstract（参考訳）: 本稿では,高出力顕微鏡ビデオにおける細胞追跡のための新しいグラフニューラルネットワーク(GNN)を提案する。タイムラプスシーケンス全体を,ノードとその関連がエッジによって表現される直接グラフとしてモデル化することにより,グラフ内の最大経路を探すことで,セルトラジェクトリの集合全体を抽出する。これは、エンドツーエンドのディープラーニングフレームワークに組み込まれたいくつかの重要な貢献によって達成される。ディープメトリック学習アルゴリズムを用いて、異なる生体細胞のインスタンスを区別する細胞特徴ベクトルを抽出し、同じセルインスタンスを組み立てる。ノードとエッジの特徴ベクトルを相互に更新できる新しいGNNブロック型を導入し、基礎となるメッセージパッシングプロセスを容易にする。メッセージパッシングの概念は、gnnブロックの数によって範囲が決定されるが、ノードとエッジ間の情報の‘フロー’を連続するフレームで隣人よりもかなり後ろに置くことができるため、基本的な重要性がある。最後にエッジ分類問題を解き、同定されたアクティブエッジを用いて、セルのトラックと系統木を構築する。提案手法の強みを,異なる細胞タイプの2次元および3次元データセット,撮像装置,実験条件に適用することによって示す。私たちのフレームワークは現在の最先端の手法よりも優れています。

関連論文リスト

Hypergraph Neural Networks Reveal Spatial Domains from Single-cell Transcriptomics Data [0.0]
空間的クラスタリングは、組織サンプルを細胞の様々なサブ集団に分類するために重要である。 ILISIスコアは,他の手法と比較して1.843と高い結果が得られた。我々のモデルは下流クラスタリングにおいて他の手法よりも優れており、最高ARI値は0.51、スコアは0.60である。
論文参考訳（メタデータ） (2024-10-23T23:32:50Z)
Cell Graph Transformer for Nuclei Classification [78.47566396839628]
我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
論文参考訳（メタデータ） (2024-02-20T12:01:30Z)
GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-01-17T13:04:23Z)
Signal Processing in the Retina: Interpretable Graph Classifier to Predict Ganglion Cell Responses [26.403303281303092]
そこで我々は,視覚刺激に応答してガングリオン細胞の発火を予測できるグラフベース分類器を学習した。我々の枠組みは、解釈を必要とする前兆的特徴を持つ他の生物学的システムに適用できる。
論文参考訳（メタデータ） (2024-01-03T16:15:22Z)
Prompt Based Tri-Channel Graph Convolution Neural Network for Aspect Sentiment Triplet Extraction [63.0205418944714]
Aspect Sentiment Triplet extract (ASTE)は、ある文の三つ子を抽出する新しいタスクである。近年の研究では、単語関係を二次元テーブルにエンコードするテーブル充填パラダイムを用いてこの問題に対処する傾向にある。本稿では, 関係表をグラフに変換し, より包括的な関係情報を探索する, Prompt-based Tri-Channel Graph Convolution Neural Network (PT-GCN) と呼ばれるASTEタスクの新しいモデルを提案する。
論文参考訳（メタデータ） (2023-12-18T12:46:09Z)
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)
SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文参考訳（メタデータ） (2021-12-12T14:18:18Z)
CellTrack R-CNN: A Novel End-To-End Deep Neural Network for Cell Segmentation and Tracking in Microscopy Images [21.747994390120105]
細胞セグメンテーションと細胞追跡を一体化したエンドツーエンドのディープラーニングベースのフレームワークに結合する新しいアプローチを提案します。本手法はセルセグメンテーションとセル追跡アキュラシーの両方の観点から最先端アルゴリズムを上回る。
論文参考訳（メタデータ） (2021-02-20T15:55:40Z)
Grid Cell Path Integration For Movement-Based Visual Object Recognition [0.0]
我々は,任意の入力列が与えられたオブジェクトの信頼性認識を支援するために,格子セルをベースとした皮質ネットワークの経路統合をいかに行うかを示す。我々のネットワーク(GridCellNet)は、グリッドセル計算を用いて視覚情報を統合し、動きに基づいて予測を行う。
論文参考訳（メタデータ） (2021-02-17T23:52:57Z)
Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文参考訳（メタデータ） (2020-05-15T09:17:08Z)
Cell Segmentation and Tracking using CNN-Based Distance Predictions and a Graph-Based Matching Strategy [0.20999222360659608]
顕微鏡画像における触覚細胞のセグメンテーション法を提案する。距離マップにインスパイアされた新しい細胞境界の表現を用いることで, 触覚細胞だけでなく, 近接細胞をトレーニングプロセスで利用することができる。この表現は、特にアノテーションエラーに対して堅牢であり、未表現または未含の細胞型を含むトレーニングデータに含まれる顕微鏡画像のセグメンテーションに対して有望な結果を示す。
論文参考訳（メタデータ） (2020-04-03T11:55:28Z)

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。