論文の概要: 3D Convolutional Neural Networks for Dendrite Segmentation Using
Fine-Tuning and Hyperparameter Optimization
- arxiv url: http://arxiv.org/abs/2205.01167v1
- Date: Mon, 2 May 2022 19:20:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-05 03:18:02.815001
- Title: 3D Convolutional Neural Networks for Dendrite Segmentation Using
Fine-Tuning and Hyperparameter Optimization
- Title(参考訳): ファインチューニングとハイパーパラメータ最適化を用いたデンドライトセグメンテーションのための3次元畳み込みニューラルネットワーク
- Authors: Jim James, Nathan Pruyne, Tiberiu Stan, Marcus Schwarting, Jiwon Yeom,
Seungbum Hong, Peter Voorhees, Ben Blaiszik, Ian Foster
- Abstract要約: 我々は3D畳み込みニューラルネットワーク(CNN)をトレーニングし、3Dデータセットをセグメント化する。
訓練された3D CNNは、わずか60秒で852 x 852 x 250のボクセル3Dボリュームを分割することができる。
- 参考スコア(独自算出の注目度): 0.06323908398583082
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dendritic microstructures are ubiquitous in nature and are the primary
solidification morphologies in metallic materials. Techniques such as x-ray
computed tomography (XCT) have provided new insights into dendritic phase
transformation phenomena. However, manual identification of dendritic
morphologies in microscopy data can be both labor intensive and potentially
ambiguous. The analysis of 3D datasets is particularly challenging due to their
large sizes (terabytes) and the presence of artifacts scattered within the
imaged volumes. In this study, we trained 3D convolutional neural networks
(CNNs) to segment 3D datasets. Three CNN architectures were investigated,
including a new 3D version of FCDense. We show that using hyperparameter
optimization (HPO) and fine-tuning techniques, both 2D and 3D CNN architectures
can be trained to outperform the previous state of the art. The 3D U-Net
architecture trained in this study produced the best segmentations according to
quantitative metrics (pixel-wise accuracy of 99.84% and a boundary displacement
error of 0.58 pixels), while 3D FCDense produced the smoothest boundaries and
best segmentations according to visual inspection. The trained 3D CNNs are able
to segment entire 852 x 852 x 250 voxel 3D volumes in only ~60 seconds, thus
hastening the progress towards a deeper understanding of phase transformation
phenomena such as dendritic solidification.
- Abstract(参考訳): 樹状組織は自然界に広く存在し、金属材料の主要な凝固形態である。
X線CT(X-ray Computed Tomography)のような技術は、樹状相変態現象に新たな洞察を与えている。
しかし、顕微鏡データ中の樹状形態を手動で同定することは、労働集約的かつ潜在的に曖昧である。
3Dデータセットの分析は、大きなサイズ(テラバイト)と、画像ボリューム内に散在するアーティファクトの存在のため、特に困難である。
本研究では,3次元畳み込みニューラルネットワーク(CNN)を用いて3次元データセットのセグメンテーションを行った。
FCDenseの新しい3Dバージョンを含む3つのCNNアーキテクチャが調査された。
ハイパーパラメータ最適化(hpo)と微調整技術を用いることで,2dと3dのcnnアーキテクチャを訓練し,従来の技術よりも優れることを示す。
この研究で訓練された3D U-Netアーキテクチャは、測定値(ピクセル単位の精度99.84%、境界ずれ誤差0.58ピクセル)に基づいて最良のセグメンテーションを生成し、一方、3D FCDenseは視覚検査により最も滑らかな境界線と最良のセグメンテーションを生み出した。
トレーニングされた3d cnnは、わずか60秒で852 x 852 x 250 voxel 3dボリューム全体を分割できるため、デンドリティック固化のような相変態現象をより深く理解するための進歩を早めることができる。
関連論文リスト
- Simultaneous Alignment and Surface Regression Using Hybrid 2D-3D
Networks for 3D Coherent Layer Segmentation of Retinal OCT Images with Full
and Sparse Annotations [32.69359482975795]
本研究は, ハイブリッド2D-3D畳み込みニューラルネットワーク(CNN)を基盤として, OCTボリュームから連続した3次元網膜層表面を得るための新しい枠組みを提案する。
人工的データセットと3つのパブリックな臨床データセットの実験により、我々のフレームワークは、潜在的運動補正のためにBスキャンを効果的に調整できることを示した。
論文 参考訳(メタデータ) (2023-12-04T08:32:31Z) - Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。
従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。
これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。
本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-26T14:38:42Z) - NeRF-GAN Distillation for Efficient 3D-Aware Generation with
Convolutions [97.27105725738016]
GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。
提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
論文 参考訳(メタデータ) (2023-03-22T18:59:48Z) - Simultaneous Alignment and Surface Regression Using Hybrid 2D-3D
Networks for 3D Coherent Layer Segmentation of Retina OCT Images [33.99874168018807]
本研究では,ハイブリッド2D-3D畳み込みニューラルネットワーク(CNN)を用いた新しいフレームワークを提案し,OCTから連続した3次元網膜層表面を得る。
本フレームワークは, 層分割精度とクロスBスキャン3D連続性の両方の観点から, 最先端の2D手法よりも優れた結果が得られる。
論文 参考訳(メタデータ) (2022-03-04T15:55:09Z) - 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文 参考訳(メタデータ) (2021-10-14T23:05:47Z) - A modular U-Net for automated segmentation of X-ray tomography images in
composite materials [0.0]
ディープラーニングは、物質科学の応用を含む多くの画像処理タスクで成功している。
本稿では, 3相ガラス繊維強化ポリアミド66の3次元トモグラフィー画像の分割を行うために, UNetのモジュラー解釈を提案し, 訓練した。
注釈付き層は10層に過ぎず, 浅いU-Netを使用すれば, より深い層よりも優れた結果が得られることが観察された。
論文 参考訳(メタデータ) (2021-07-15T17:15:24Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳(メタデータ) (2020-12-16T07:11:16Z) - Uniformizing Techniques to Process CT scans with 3D CNNs for
Tuberculosis Prediction [5.270882613122642]
深部2次元畳み込みニューラルネットワーク(CNN)を用いたボリュームデータにおける医用画像解析への共通アプローチ
個々のスライスを2D CNNで独立に扱うと、意図したタスクのパフォーマンスが低下する深度情報を意図的に破棄する。
上記の問題に対処するためのボリューム均一化手法のセットを評価する。
画像情報のみを活用する全手法に勝るテストセットに対して,曲線下面積 (AUC) と二分分類精度 (ACC) を67.5%と報告した。
論文 参考訳(メタデータ) (2020-07-26T21:53:47Z) - Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。
局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。
本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文 参考訳(メタデータ) (2020-04-21T13:40:03Z) - 2.75D: Boosting learning by representing 3D Medical imaging to 2D
features for small data [54.223614679807994]
3D畳み込みニューラルネットワーク(CNN)は、多くのディープラーニングタスクにおいて、2D CNNよりも優れたパフォーマンスを示し始めている。
3D CNNにトランスファー学習を適用することは、パブリックにトレーニング済みの3Dモデルがないために困難である。
本研究では,ボリュームデータの2次元戦略的表現,すなわち2.75Dを提案する。
その結果,2次元CNNネットワークをボリューム情報学習に用いることが可能となった。
論文 参考訳(メタデータ) (2020-02-11T08:24:19Z)
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。