論文の概要: BFS-Net: Weakly Supervised Cell Instance Segmentation from Bright-Field Microscopy Z-Stacks

• arxiv url: http://arxiv.org/abs/2206.04558v1
• Date: Thu, 9 Jun 2022 15:13:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-10 19:07:54.649986
• Title: BFS-Net: Weakly Supervised Cell Instance Segmentation from Bright-Field Microscopy Z-Stacks
• Title（参考訳）: BFS-Net:Bright-Field Microscopy Z-Stacks による弱教師付きセルインスタンスセグメンテーション
• Authors: Shervin Dehghani, Benjamin Busam, Nassir Navab, Ali Nasseri
• Abstract要約: BFM Z-Stack画像からの3次元セルインスタンスの予測について検討する。 本稿では,ボリューム・インスタンス・セグメンテーションのための2段階弱教師付き手法を提案する。 提案手法は,BFM Z-Stackデータだけでなく,他の3次元セル画像モダリティにも適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 47.72468932196169
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Despite its broad availability, volumetric information acquisition from Bright-Field Microscopy (BFM) is inherently difficult due to the projective nature of the acquisition process. We investigate the prediction of 3D cell instances from a set of BFM Z-Stack images. We propose a novel two-stage weakly supervised method for volumetric instance segmentation of cells which only requires approximate cell centroids annotation. Created pseudo-labels are thereby refined with a novel refinement loss with Z-stack guidance. The evaluations show that our approach can generalize not only to BFM Z-Stack data, but to other 3D cell imaging modalities. A comparison of our pipeline against fully supervised methods indicates that the significant gain in reduced data collection and labelling results in minor performance difference.
• Abstract（参考訳）: 広範に利用可能であるにもかかわらず、Bright-Field Microscopy (BFM) からのボリューム情報取得は、取得プロセスの投影性のため本質的に困難である。 BFM Z-Stack画像からの3次元セルインスタンスの予測について検討する。 本稿では,細胞中心体アノテーションのみを必要とするセルの容積インスタンスセグメンテーションのための2段階弱制御手法を提案する。 これにより、Zスタック誘導による新規な改質損失で擬似ラベルを精製する。 評価の結果,本手法はBFM Z-Stackデータだけでなく,他の3次元セル画像モダリティにも適用可能であることがわかった。 完全な教師付きメソッドと比較した結果,データ収集とラベル付けの大幅な向上は,パフォーマンスの差を小さくすることが示唆された。

関連論文リスト

• Large-Scale Multi-Hypotheses Cell Tracking Using Ultrametric Contours Maps [1.015920567871904]
  本稿では,分割選択手法による大規模3次元細胞追跡手法について述べる。 本手法は,細胞追跡課題から得られた3次元画像の最先端化を実現する。 われわれのフレームワークは柔軟で、市販のセルセグメンテーションモデルからのセグメンテーションをサポートしている。
  論文  参考訳（メタデータ） (2023-08-08T18:41:38Z)
• CLANet: A Comprehensive Framework for Cross-Batch Cell Line Identification Using Brightfield Images [21.660573230005173]
  我々はCLANetを紹介した。CLANetは、明視野画像を用いたクロスバッチセルライン識別の先駆的なフレームワークである。 本稿では,セル密度の変動を効率的に把握するためのセルクラスタレベルの選択法と,画像品質の変動を管理するための自己教師付き学習戦略を提案する。 我々は、AstraZeneca Global Cell Bankの93の実験バッチにわたる32のセルラインのデータを用いて、CLANetを検証する。
  論文  参考訳（メタデータ） (2023-06-28T20:24:53Z)
• 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)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• Image Understands Point Cloud: Weakly Supervised 3D Semantic Segmentation via Association Learning [59.64695628433855]
  ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。 基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。 提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-16T07:59:04Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• Robust 3D Cell Segmentation: Extending the View of Cellpose [0.1384477926572109]
  3次元画像データのセグメンテーション精度を向上させるためにcellposeアプローチを拡張した。 グラデーションマップの定式化は、堅牢なままで、類似のセグメンテーション精度に達する間、いかに簡略化できるかを示す。
  論文  参考訳（メタデータ） (2021-05-03T12:47:41Z)
• Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation [71.50526869670716]
  本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。 Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。 拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
  論文  参考訳（メタデータ） (2020-07-21T14:05:09Z)

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。