論文の概要: Segmentation in large-scale cellular electron microscopy with deep
learning: A literature survey
- arxiv url: http://arxiv.org/abs/2206.07171v3
- Date: Thu, 30 Mar 2023 08:06:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 18:19:39.595663
- Title: Segmentation in large-scale cellular electron microscopy with deep
learning: A literature survey
- Title（参考訳）: 深層学習による大規模細胞電子顕微鏡のセグメンテーション--文献的研究
- Authors: Anusha Aswath, Ahmad Alsahaf, Ben N. G. Giepmans, George Azzopardi
- Abstract要約: ディープラーニングアルゴリズムは、ピクセルレベルのラベル付けと、同じクラスの別々のインスタンスのラベル付けの両方において、印象的な結果を得た。
本稿では,これらのアルゴリズムが,EM画像中の細胞構造とサブセル構造を分割する作業にどのように適応したかを検討する。
- 参考スコア（独自算出の注目度）: 6.144134660210243
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated and semi-automated techniques in biomedical electron microscopy
(EM) enable the acquisition of large datasets at a high rate. Segmentation
methods are therefore essential to analyze and interpret these large volumes of
data, which can no longer completely be labeled manually. In recent years, deep
learning algorithms achieved impressive results in both pixel-level labeling
(semantic segmentation) and the labeling of separate instances of the same
class (instance segmentation). In this review, we examine how these algorithms
were adapted to the task of segmenting cellular and sub-cellular structures in
EM images. The special challenges posed by such images and the network
architectures that overcame some of them are described. Moreover, a thorough
overview is also provided on the notable datasets that contributed to the
proliferation of deep learning in EM. Finally, an outlook of current trends and
future prospects of EM segmentation is given, especially in the area of
label-free learning.
- Abstract（参考訳）: バイオメディカル電子顕微鏡(EM)における自動および半自動技術により、大規模なデータセットを高速に取得することができる。
そのため、これらの大量のデータを解析し、解釈するためには、セグメンテーション法が不可欠である。
近年、ディープラーニングアルゴリズムは、ピクセルレベルのラベリング(セグメンテーション)と、同じクラスの別々のインスタンス(インスタンスセグメンテーション)のラベリングの両方で印象的な結果を達成している。
本稿では,これらのアルゴリズムをem画像中の細胞構造と細胞内構造を分割するタスクに適用した方法について検討する。
このような画像やネットワークアーキテクチャによって引き起こされる特別な課題について説明する。
さらに、EMにおけるディープラーニングの普及に寄与した注目すべきデータセットについても、詳細な概要が述べられている。
最後に,特にラベルフリー学習分野におけるEMセグメンテーションの動向と今後の展望について概観する。
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) - Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。
さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
論文 参考訳（メタデータ） (2024-03-04T10:18:38Z) - 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) - A Knowledge Distillation framework for Multi-Organ Segmentation of
Medaka Fish in Tomographic Image [5.881800919492064]
メダカ魚のトモグラフィー画像における多臓器セグメンテーションのための自己学習フレームワークを提案する。
本研究では,事前訓練されたモデルから得られた擬似ラベルデータを利用して,擬似ラベルデータを洗練するために品質教師を採用する。
実験結果から,本手法は全データセット上で平均IoU(Intersection over Union)を5.9%改善することが示された。
論文 参考訳（メタデータ） (2023-02-24T10:31:29Z) - Cell segmentation from telecentric bright-field transmitted light
microscopic images using a Residual Attention U-Net: a case study on HeLa
line [0.0]
明視野光顕微鏡画像からのリビング細胞分画は、生体細胞の画像の複雑さと時間的変化のために困難である。
近年, 深層学習(DL)に基づく手法が, その成功と有望な成果により, 医用・顕微鏡画像分割作業で普及している。
本研究の目的は,HeLa線の生きた細胞を光電場透過顕微鏡で分断する深層学習型UNet法を開発することである。
論文 参考訳（メタデータ） (2022-03-23T09:20:30Z) - Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with
Self-Supervised Depth Estimation [94.16816278191477]
本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。
ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。
提案したモデルをCityscapesデータセット上で検証する。
論文 参考訳（メタデータ） (2021-08-28T01:33:38Z) - Three Ways to Improve Semantic Segmentation with Self-Supervised Depth
Estimation [90.87105131054419]
ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。
提案されたモデルをCityscapesデータセット上で検証する。
論文 参考訳（メタデータ） (2020-12-19T21:18:03Z) - Multiclass Yeast Segmentation in Microstructured Environments with Deep
Learning [20.456742449675904]
我々は、個々の酵母細胞の多クラスセグメンテーションのために訓練された畳み込みニューラルネットワークを提案する。
本手法は, 微構造環境下での酵母のセグメンテーションへの寄与を, 典型的な合成生物学的応用で示す。
論文 参考訳（メタデータ） (2020-11-16T16:16:13Z) - A comparative study of semi- and self-supervised semantic segmentation
of biomedical microscopy data [0.13701366534590495]
畳み込みニューラルネットワーク(CNN)は、バイオメディカル画像解析の最先端の手法となっている。
これらのネットワークは通常、教師付き方法でトレーニングされ、大量のラベル付きトレーニングデータを必要とする。
本研究では,バイオメディカルイメージセグメンテーションのためのラベルの少ないCNNの訓練方法を検証する。
論文 参考訳（メタデータ） (2020-11-11T20:57:10Z) - 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)
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。