論文の概要: Training a universal instance segmentation network for live cell images
of various cell types and imaging modalities
- arxiv url: http://arxiv.org/abs/2207.14347v1
- Date: Thu, 28 Jul 2022 18:57:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 12:25:53.173660
- Title: Training a universal instance segmentation network for live cell images
of various cell types and imaging modalities
- Title（参考訳）: 種々の細胞型ライブセル画像のためのユニバーサルインスタンスセグメンテーションネットワークの訓練とイメージングモダリティ
- Authors: Tianqi Guo, Yin Wang, Luis Solorio, Jan P. Allebach
- Abstract要約: 本稿では,様々な細胞タイプと画像モダリティのためのユニバーサルセグメンテーションネットワークを訓練する試みについて述べる。
従来のバイナリトレーニングターゲットを、直接インスタンスセグメンテーション用の3つのクラスを含むように修正しました。
本手法は, 初年度の1次予選において, 最良走者として評価され, 追加競技で3位を確保した。
- 参考スコア（独自算出の注目度）: 10.644558286623813
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We share our recent findings in an attempt to train a universal segmentation
network for various cell types and imaging modalities. Our method was built on
the generalized U-Net architecture, which allows the evaluation of each
component individually. We modified the traditional binary training targets to
include three classes for direct instance segmentation. Detailed experiments
were performed regarding training schemes, training settings, network
backbones, and individual modules on the segmentation performance. Our proposed
training scheme draws minibatches in turn from each dataset, and the gradients
are accumulated before an optimization step. We found that the key to training
a universal network is all-time supervision on all datasets, and it is
necessary to sample each dataset in an unbiased way. Our experiments also
suggest that there might exist common features to define cell boundaries across
cell types and imaging modalities, which could allow application of trained
models to totally unseen datasets. A few training tricks can further boost the
segmentation performance, including uneven class weights in the cross-entropy
loss function, well-designed learning rate scheduler, larger image crops for
contextual information, and additional loss terms for unbalanced classes. We
also found that segmentation performance can benefit from group normalization
layer and Atrous Spatial Pyramid Pooling module, thanks to their more reliable
statistics estimation and improved semantic understanding, respectively. We
participated in the 6th Cell Tracking Challenge (CTC) held at IEEE
International Symposium on Biomedical Imaging (ISBI) 2021 using one of the
developed variants. Our method was evaluated as the best runner up during the
initial submission for the primary track, and also secured the 3rd place in an
additional round of competition in preparation for the summary publication.
- Abstract（参考訳）: 我々は最近の知見を,様々な細胞タイプと画像モダリティのための普遍的セグメンテーションネットワークのトレーニングで共有している。
本手法は,各コンポーネントを個別に評価できる汎用u-netアーキテクチャに基づいて構築した。
従来のバイナリトレーニングターゲットを、直接インスタンスセグメンテーション用の3つのクラスを含むように修正しました。
セグメンテーション性能について,トレーニングスキーム,トレーニング設定,ネットワークバックボーン,個別モジュールについて詳細な実験を行った。
提案手法では,各データセットからミニバッチを順次抽出し,最適化ステップの前に勾配を蓄積する。
ユニバーサルネットワークをトレーニングする鍵は、すべてのデータセットを常時監視することであり、各データセットをバイアスのない方法でサンプリングする必要があります。
我々の実験は、細胞の種類や画像のモダリティにまたがって細胞の境界を定義する共通の特徴があることを示唆している。
例えば、クロスエントロピー損失関数の不均一なクラス重み、よく設計された学習率スケジューラ、コンテキスト情報のためのより大きな画像作物、バランスのとれないクラスのための追加の損失項などである。
また, セグメンテーション性能は, より信頼性の高い統計推定とセマンティック理解の改善により, グループ正規化層とアトラス空間ピラミッドプールモジュールの恩恵を受けることができた。
我々は, IEEE International Symposium on Biomedical Imaging (ISBI) 2021で開かれた第6回細胞追跡チャレンジ(CTC)に参加した。
本手法は, 初回サーチにおいて最良ランナーとして評価され, 概要発表の準備として, 第3回大会で第3位を獲得した。
関連論文リスト
- Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。
我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。
いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
論文 参考訳（メタデータ） (2024-02-26T03:49:18Z) - A-Eval: A Benchmark for Cross-Dataset Evaluation of Abdominal
Multi-Organ Segmentation [38.644744669074775]
A-Evalは,Abdominal ('A') の多臓器セグメンテーションのクロスデータセット評価('Eval')のためのベンチマークである。
FLARE22、AMOS、WORD、TotalSegmentatorという4つの大規模パブリックデータセットのトレーニングセットを採用しています。
A-Evalベンチマークを用いて各種モデルの一般化可能性を評価し,多様なデータ利用シナリオに着目した。
論文 参考訳（メタデータ） (2023-09-07T17:59:50Z) - MIS-FM: 3D Medical Image Segmentation using Foundation Models Pretrained
on a Large-Scale Unannotated Dataset [14.823114726604853]
本稿では,3次元セグメンテーションモデルを事前学習するための,VF(Volume Fusion)と呼ばれる新たな自己教師型学習戦略を提案する。
VFは、手動のアノテーションなしで自己教師付きセグメンテーションタスクとして定式化される各ボクセルの融合係数を予測するようモデルを強制する。
頭部, 頸部臓器, 胸部, 腹部臓器など, 下流領域の異なる部位を対象とする実験により, 我々の事前訓練モデルがスクラッチからトレーニングに優れていたことが判明した。
論文 参考訳（メタデータ） (2023-06-29T13:22:13Z) - Joint Optimization of Class-Specific Training- and Test-Time Data
Augmentation in Segmentation [35.41274775082237]
本稿では,医用画像セグメンテーションのための有効で汎用的なデータ拡張フレームワークを提案する。
我々は、学習データと検証データの分布を整合させるために、計算効率が高く、データ効率のよい勾配に基づくメタラーニング手法を採用する。
本稿では,DeepMedic と nnU-Net の2つの最先端セグメンテーションモデルを用いた4つの医用画像セグメンテーション課題に対する提案手法の有効性を示す。
論文 参考訳（メタデータ） (2023-05-30T14:48:45Z) - Towards All-in-one Pre-training via Maximizing Multi-modal Mutual
Information [77.80071279597665]
マルチモーダル相互情報事前学習(M3I事前学習)を最大化するオールインワン単段階事前学習手法を提案する。
提案手法は,ImageNet分類,オブジェクト検出,LVIS長鎖オブジェクト検出,ADE20k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など,様々なビジョンベンチマークにおける事前学習手法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2022-11-17T18:59:49Z) - Unsupervised Domain Adaptation with Histogram-gated Image Translation
for Delayered IC Image Analysis [2.720699926154399]
Histogram-gated Image Translation (HGIT)は、特定のソースデータセットからターゲットデータセットのドメインに変換する、教師なしのドメイン適応フレームワークである。
提案手法は,報告したドメイン適応手法と比較して最高の性能を達成し,完全教師付きベンチマークに適当に近い。
論文 参考訳（メタデータ） (2022-09-27T15:53:22Z) - Incremental Learning Meets Transfer Learning: Application to Multi-site
Prostate MRI Segmentation [16.50535949349874]
インクリメンタルトランスファー学習(ITL)と呼ばれる新しいマルチサイトセグメンテーションフレームワークを提案する。
ITLは、エンドツーエンドのシーケンシャルな方法で、マルチサイトデータセットからモデルを学習する。
ITLトレーニングスキームを活用することで、漸進的な学習における破滅的な問題を軽減できることを示す。
論文 参考訳（メタデータ） (2022-06-03T02:32:01Z) - MSeg: A Composite Dataset for Multi-domain Semantic Segmentation [100.17755160696939]
セマンティックセグメンテーションデータセットを異なるドメインから統合する合成データセットであるMSegを提案する。
一般化と画素レベルのアノテーションのアライメントを調整し,2万枚以上のオブジェクトマスクを8万枚以上の画像で再現する。
MSegでトレーニングされたモデルは、WildDash-v1のリーダーボードで、トレーニング中にWildDashのデータに触れることなく、堅牢なセマンティックセグメンテーションのためにランク付けされている。
論文 参考訳（メタデータ） (2021-12-27T16:16:35Z) - Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。
これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。
異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
論文 参考訳（メタデータ） (2021-06-08T06:13:11Z) - Revisiting LSTM Networks for Semi-Supervised Text Classification via
Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。
いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文 参考訳（メタデータ） (2020-09-08T21:55:22Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2020-01-06T20:03:17Z)
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。