論文の概要: Semi-Supervised Segmentation of Mitochondria from Electron Microscopy
Images Using Spatial Continuity
- arxiv url: http://arxiv.org/abs/2206.02392v1
- Date: Mon, 6 Jun 2022 06:52:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-07 16:13:05.306559
- Title: Semi-Supervised Segmentation of Mitochondria from Electron Microscopy
Images Using Spatial Continuity
- Title（参考訳）: 空間連続性を用いた電子顕微鏡像からのミトコンドリアの半教師ありセグメンテーション
- Authors: Yunpeng Xiao, Youpeng Zhao and Ge Yang
- Abstract要約: ミトコンドリアの構造的・形態的・文脈的情報の空間的連続性を利用してミトコンドリアをセグメント化する半教師付き深層学習モデルを提案する。
我々のモデルは、最先端の完全教師付きモデルと同じような性能を達成するが、アノテーション付きトレーニングデータの20%しか必要としない。
- 参考スコア（独自算出の注目度）: 3.631638087834872
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Morphology of mitochondria plays critical roles in mediating their
physiological functions. Accurate segmentation of mitochondria from 3D electron
microscopy (EM) images is essential to quantitative characterization of their
morphology at the nanometer scale. Fully supervised deep learning models
developed for this task achieve excellent performance but require substantial
amounts of annotated data for training. However, manual annotation of EM images
is laborious and time-consuming because of their large volumes, limited
contrast, and low signal-to-noise ratios (SNRs). To overcome this challenge, we
propose a semi-supervised deep learning model that segments mitochondria by
leveraging the spatial continuity of their structural, morphological, and
contextual information in both labeled and unlabeled images. We use random
piecewise affine transformation to synthesize comprehensive and realistic
mitochondrial morphology for augmentation of training data. Experiments on the
EPFL dataset show that our model achieves performance similar as that of
state-of-the-art fully supervised models but requires only ~20% of their
annotated training data. Our semi-supervised model is versatile and can also
accurately segment other spatially continuous structures from EM images. Data
and code of this study are openly accessible at
https://github.com/cbmi-group/MPP.
- Abstract（参考訳）: ミトコンドリアの形態は生理機能を媒介する重要な役割を担っている。
3次元電子顕微鏡(EM)画像からのミトコンドリアの正確なセグメンテーションは、その形態をナノメートルスケールで定量化するために不可欠である。
このタスクのために開発された完全な教師付きディープラーニングモデルは優れたパフォーマンスを実現するが、トレーニングには大量の注釈付きデータが必要である。
しかし,EM画像のマニュアルアノテーションは,その量,コントラストの制限,信号対雑音比(SNR)の低さから,手間と時間を要する。
この課題を克服するために,ラベル付き画像とラベルなし画像の両方における構造的,形態的,文脈的情報の空間的連続性を利用してミトコンドリアをセグメント化する半教師付きディープラーニングモデルを提案する。
我々は、ランダムな分節アフィン変換を用いて、総合的かつ現実的なミトコンドリア形態を合成し、トレーニングデータの強化を行う。
EPFLデータセットの実験では、我々のモデルは最先端の完全教師付きモデルと同様のパフォーマンスを達成するが、アノテーション付きトレーニングデータの約20%しか必要としない。
我々の半教師付きモデルは汎用的であり、他の空間連続構造をEM画像から正確に切り離すこともできる。
この研究のデータとコードはhttps://github.com/cbmi-group/MPP.comで公開されている。
関連論文リスト
- ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。
5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
論文 参考訳（メタデータ） (2024-08-26T08:59:22Z) - Retinal OCT Synthesis with Denoising Diffusion Probabilistic Models for
Layer Segmentation [2.4113205575263708]
本稿では,拡散確率モデル(DDPM)を用いて網膜光コヒーレンス断層撮影(OCT)画像を自動的に生成する画像合成手法を提案する。
階層分割の精度を一貫して改善し,様々なニューラルネットワークを用いて検証する。
これらの結果から,網膜CT画像の手動アノテーションの必要性が軽減される可能性が示唆された。
論文 参考訳（メタデータ） (2023-11-09T16:09:24Z) - Learning Multiscale Consistency for Self-supervised Electron Microscopy
Instance Segmentation [48.267001230607306]
本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。
当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。
効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
論文 参考訳（メタデータ） (2023-08-19T05:49:13Z) - AnyStar: Domain randomized universal star-convex 3D instance
segmentation [8.670653580154895]
我々は、ランダムな外観で合成データ、向き、およびブロブのようなオブジェクトをシミュレートするドメインランダム化生成モデルであるAnyStarを提案する。
結果として、生成モデルを用いたネットワークは、目に見えないデータセットからの注釈付き画像を必要としない。
論文 参考訳（メタデータ） (2023-07-13T20:01:26Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳（メタデータ） (2023-04-19T13:45:28Z) - 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。
また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
論文 参考訳（メタデータ） (2023-03-21T17:58:49Z) - 3D fluorescence microscopy data synthesis for segmentation and
benchmarking [0.9922927990501083]
3次元蛍光顕微鏡のための現実的な画像データを生成するために、条件付き生成対向ネットワークを利用することができる。
細胞構造のさらなる位置条件付けにより、位置依存的な強度特性の再構築が可能となる。
パッチワイド動作原理とその後のフルサイズ再組み立て戦略を用いて、任意のサイズと異なる生物の画像データを生成する。
論文 参考訳（メタデータ） (2021-07-21T16:08:56Z) - Enforcing Morphological Information in Fully Convolutional Networks to
Improve Cell Instance Segmentation in Fluorescence Microscopy Images [1.408123603417833]
本稿では,よく知られたU-Netアーキテクチャに基づく新しいセルインスタンス分割手法を提案する。
深部距離変換器(DDT)がバックボーンモデルとして機能する。
その結果,従来のU-Netアーキテクチャよりも性能が向上することが示唆された。
論文 参考訳（メタデータ） (2021-06-10T15:54:38Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z)
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。