論文の概要: Implicit Neural Representations for Generative Modeling of Living Cell Shapes

• arxiv url: http://arxiv.org/abs/2207.06283v1
• Date: Wed, 13 Jul 2022 15:28:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-14 14:06:06.163814
• Title: Implicit Neural Representations for Generative Modeling of Living Cell Shapes
• Title（参考訳）: 生体細胞の形状生成モデルのための暗黙的神経表現
• Authors: David Wiesner, Julian Suk, Sven Dummer, David Svoboda, Jelmer M. Wolterink
• Abstract要約: 細胞形状合成のための深い生成モデルは、細胞の形状の軽量で柔軟な表現を必要とする。 本研究では,セル形状を表すために符号付き距離関数のレベルセット(SDF)を提案する。 ニューラルネットワークを3D+時間領域の任意の点におけるSDF値の暗黙的なニューラル表現として最適化する。 以上の結果から, 合成細胞の形状記述子は実細胞の形状と類似しており, 複雑な細胞形状のトポロジカルな配列を3次元+時間で生成できることがわかった。
• 参考スコア（独自算出の注目度）: 3.84519093892967
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Methods allowing the synthesis of realistic cell shapes could help generate training data sets to improve cell tracking and segmentation in biomedical images. Deep generative models for cell shape synthesis require a light-weight and flexible representation of the cell shape. However, commonly used voxel-based representations are unsuitable for high-resolution shape synthesis, and polygon meshes have limitations when modeling topology changes such as cell growth or mitosis. In this work, we propose to use level sets of signed distance functions (SDFs) to represent cell shapes. We optimize a neural network as an implicit neural representation of the SDF value at any point in a 3D+time domain. The model is conditioned on a latent code, thus allowing the synthesis of new and unseen shape sequences. We validate our approach quantitatively and qualitatively on C. elegans cells that grow and divide, and lung cancer cells with growing complex filopodial protrusions. Our results show that shape descriptors of synthetic cells resemble those of real cells, and that our model is able to generate topologically plausible sequences of complex cell shapes in 3D+time.
• Abstract（参考訳）: 現実的な細胞形状の合成を可能にする手法は、生体画像の細胞追跡とセグメンテーションを改善するためのトレーニングデータセットの作成に役立つ。 細胞形状合成のための深い生成モデルは、細胞の形状の軽量で柔軟な表現を必要とする。 しかし、一般的なボクセルベースの表現は高分解能な形状合成には適せず、ポリゴンメッシュは細胞成長や分裂といったトポロジーの変化をモデル化する際に制限がある。 本研究では,セル形状を表すために符号付き距離関数のレベルセット(SDF)を提案する。 3d+時間領域の任意の点でのsdf値の暗黙的な神経表現としてニューラルネットワークを最適化する。 モデルは潜在コードで条件付けされ、新しい形状シーケンスと未知の形状配列の合成を可能にする。 本手法は,増殖・分裂するc. elegans細胞と複雑な糸球体突起を持つ肺癌細胞に対して定量的・定性的に検証する。 以上の結果から, 合成細胞の形状記述子は実細胞の形状と類似しており, 複雑な細胞形状のトポロジカルな配列を3次元+時間で生成できることがわかった。

関連論文リスト

• Generative 3D Cardiac Shape Modelling for In-Silico Trials [0.0]
  人工大動脈の形状をモデル化・生成する深層学習法を提案する。 このネットワークは、CT画像から再構成された大動脈根メッシュのデータセットに基づいて訓練される。 学習した埋め込みベクトルからサンプリングすることで、実際の患者解剖に類似した新しい形状を生成することができる。
  論文  参考訳（メタデータ） (2024-09-24T12:59:18Z)
• Multicell-Fold: geometric learning in folding multicellular life [0.34952465649465553]
  細胞群が特定の構造にどのように折り畳むかは、生物がどのように形成されるかを定義する生物学の中心的な問題である。 マルチセルの折り畳みや胚発生を予測できる幾何学的深層学習モデルを提案する。 我々は,4次元形態素配列アライメントの解釈と局所的な細胞再構成の予測という,2つの重要な課題を達成するために,我々のモデルをうまく利用した。
  論文  参考訳（メタデータ） (2024-07-09T17:21:49Z)
• An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation [45.820901263103806]
  In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築 本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。 提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
  論文  参考訳（メタデータ） (2024-03-10T21:33:53Z)
• Generative modeling of living cells with SO(3)-equivariant implicit neural representations [2.146287726016005]
  ニューラルネットワークによって推定される符号付き距離関数(SDF)のレベルセットとして,生きた細胞形状を表現することを提案する。 我々は、完全に接続されたニューラルネットワークを最適化し、3D+時間領域の任意の時点におけるSDF値の暗黙的な表現を提供する。 本研究では, 急激な変形を示す細胞 (Platynereis dumerilii) , 増殖・分裂する細胞 (C. elegans) , および糸状体突起を成長・分岐する細胞 (A549ヒト肺癌細胞) に対するこのアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-04-18T12:51:18Z)
• Neural Wavelet-domain Diffusion for 3D Shape Generation, Inversion, and Manipulation [54.09274684734721]
  本稿では,ウェーブレット領域における連続的な暗黙表現の直接生成モデルを用いて,3次元形状の生成,反転,操作を行う新しい手法を提案する。 具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。 エンコーダネットワークを共同でトレーニングすることで,形状を反転させる潜在空間を学習することができる。
  論文  参考訳（メタデータ） (2023-02-01T02:47:53Z)
• Conformal Isometry of Lie Group Representation in Recurrent Network of Grid Cells [52.425628028229156]
  本稿では,リカレントネットワークモデルを用いたグリッドセルの特性について検討する。 グリッドセルの連続的誘引ニューラルネットワークの基盤となる,単純な非線形リカレントモデルに着目する。
  論文  参考訳（メタデータ） (2022-10-06T05:26:49Z)
• Neural Wavelet-domain Diffusion for 3D Shape Generation [52.038346313823524]
  本稿では,ウェーブレット領域における連続的暗黙表現の直接生成モデリングを可能にする3次元形状生成の新しい手法を提案する。 具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。
  論文  参考訳（メタデータ） (2022-09-19T02:51:48Z)
• Generative Deformable Radiance Fields for Disentangled Image Synthesis of Topology-Varying Objects [52.46838926521572]
  3D認識生成モデルは、モノクロ2D画像の集合から3Dニューラル放射場(NeRF)を生成するスーパーブパフォーマンスを実証した。 本研究では, トポロジー変化物体の放射場を非交絡形状と外観変化で合成する生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-09-09T08:44:06Z)
• Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D Shape Synthesis [90.26556260531707]
  DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。 メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
  論文  参考訳（メタデータ） (2021-11-08T05:29:35Z)
• 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)

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。