Fugu-MT 論文翻訳(概要): PointNeuron: 3D Neuron Reconstruction via Geometry and Topology Learning of Point Clouds

論文の概要: PointNeuron: 3D Neuron Reconstruction via Geometry and Topology Learning of Point Clouds

arxiv url: http://arxiv.org/abs/2210.08305v2
Date: Tue, 18 Oct 2022 01:59:13 GMT
ステータス: 処理完了
システム内更新日: 2022-10-19 10:45:43.674439
Title: PointNeuron: 3D Neuron Reconstruction via Geometry and Topology Learning of Point Clouds
Title（参考訳）: PointNeuron: 幾何学と点雲のトポロジー学習による3次元ニューロン再構成
Authors: Runkai Zhao, Heng Wang, Chaoyi Zhang, Weidong Cai
Abstract要約: 本稿では3次元ニューロン再構築のための新しい枠組みを提案する。私たちのキーとなるアイデアは、点雲の幾何学的表現力を使って、ニューロンの固有の構造情報をよりよく探索することです。
参考スコア（独自算出の注目度）: 18.738943602529805
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Digital neuron reconstruction from 3D microscopy images is an essential technique for investigating brain connectomics and neuron morphology. Existing reconstruction frameworks use convolution-based segmentation networks to partition the neuron from noisy backgrounds before applying the tracing algorithm. The tracing results are sensitive to the raw image quality and segmentation accuracy. In this paper, we propose a novel framework for 3D neuron reconstruction. Our key idea is to use the geometric representation power of the point cloud to better explore the intrinsic structural information of neurons. Our proposed framework adopts one graph convolutional network to predict the neural skeleton points and another one to produce the connectivity of these points. We finally generate the target SWC file through the interpretation of the predicted point coordinates, radius, and connections. Evaluated on the Janelia-Fly dataset from the BigNeuron project, we show that our framework achieves competitive neuron reconstruction performance. Our geometry and topology learning of point clouds could further benefit 3D medical image analysis, such as cardiac surface reconstruction. Our code is available at https://github.com/RunkaiZhao/PointNeuron.
Abstract（参考訳）: 3次元顕微鏡画像からのデジタルニューロン再構築は、脳のコネクトロミクスとニューロン形態の研究に欠かせない技術である。既存の再構成フレームワークでは、トレーシングアルゴリズムを適用する前に、畳み込みベースのセグメンテーションネットワークを使用して、ノイズの多い背景からニューロンを分割する。追跡結果は、原画像の品質とセグメンテーション精度に敏感である。本稿では,3次元ニューロン再構成のための新しい枠組みを提案する。私たちの重要なアイデアは、点雲の幾何学的表現力を使って、ニューロンの内部構造情報をより深く探求することです。提案するフレームワークでは,1つのグラフ畳み込みネットワークを用いてニューラルスケルトン点を予測し,もう1つはこれらの点の接続性を生成する。予測点座標,半径,接続の解釈により,最終的にターゲットSWCファイルを生成する。 bigneuronプロジェクトからjanelia-flyデータセットで評価した結果,本フレームワークが競合ニューロンの再構成性能を発揮できることが確認された。ポイントクラウドの幾何およびトポロジー学習は,心臓表面再構成などの3次元医用画像解析にさらに有用である。私たちのコードはhttps://github.com/RunkaiZhao/PointNeuron.comで利用可能です。

関連論文リスト

NeuroFly: A framework for whole-brain single neuron reconstruction [17.93211301158225]
本稿では,大規模な単一ニューロン再構築のための検証フレームワークであるNeuroFlyを紹介する。 NeuroFlyはプロセスを、セグメンテーション、接続、証明の3つのステージに分割する。私たちの目標は、ニューロン再構築の課題に取り組むために、研究者間のコラボレーションを促進することです。
論文参考訳（メタデータ） (2024-11-07T13:56:13Z)
Boosting 3D Neuron Segmentation with 2D Vision Transformer Pre-trained on Natural Images [10.790999324557179]
本研究では,大規模自然画像に事前学習した2次元視覚変換器モデルを活用する新しい訓練パラダイムを提案する。本手法は,3次元ニューロンセグメンテーション能力を向上させるために,豊富な自然と希少なニューロン画像領域間の知識共有接続を構築する。一般的なベンチマークであるBigNeuronで評価したところ、スクラッチからトレーニングしたモデルよりもニューロンのセグメンテーション性能が8.71%向上した。
論文参考訳（メタデータ） (2024-05-04T14:57:28Z)
Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。最初はFlyTracingという名前のデータセットを構築しました。本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2024-01-05T19:45:12Z)
NeuroGF: A Neural Representation for Fast Geodesic Distance and Path Queries [77.04220651098723]
本稿では,ニューラル暗黙関数を用いた3次元メッシュモデル上での測地線表現の試みについて述べる。具体的には、与えられたメッシュの全対測地線を表現するために学習されたニューロ測地場(NeuroGF)を紹介する。 NeuroGFは、単一ソースのオールデスティネーション(SSAD)とポイント・ツー・ポイントの測地学を解く上で、非常に優れた性能を示す。
論文参考訳（メタデータ） (2023-06-01T13:32:21Z)
PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文参考訳（メタデータ） (2022-03-16T09:20:01Z)
A singular Riemannian geometry approach to Deep Neural Networks II. Reconstruction of 1-D equivalence classes [78.120734120667]
入力空間における出力多様体内の点の事前像を構築する。我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
論文参考訳（メタデータ） (2021-12-17T11:47:45Z)
Voxel-wise Cross-Volume Representation Learning for 3D Neuron Reconstruction [27.836007480393953]
本稿では,エンコーダとデコーダのセグメンテーションモデルに基づいて,新しいボクセルレベルのクロスボリューム表現学習パラダイムを提案する。我々の手法は推論中に余分なコストを伴わない。提案手法は,BigNeuronプロジェクトから得られた42個の3次元ニューロン画像に基づいて,元のセグメンテーションモデルの学習能力を向上させる。
論文参考訳（メタデータ） (2021-08-14T12:17:45Z)
3D WaveUNet: 3D Wavelet Integrated Encoder-Decoder Network for Neuron Segmentation [24.708228159529824]
本稿では3次元ウェーブレットとディープラーニングに基づく3次元ニューロン分割法を提案する。統合された3Dウェーブレットは、3Dニューロンセグメンテーションと再構成の性能を効率よく向上させることができる。
論文参考訳（メタデータ） (2021-06-01T06:46:50Z)
Single Neuron Segmentation using Graph-based Global Reasoning with Auxiliary Skeleton Loss from 3D Optical Microscope Images [30.539098538610013]
局所的出現とグローバルジオメトリ特性を共同で検討し,エンドツーエンドのセグメンテーションネットワークを提案する。 The evaluation results on the Janelia dataset from the BigNeuron project showed that our proposed method is over the other algorithm in performance。
論文参考訳（メタデータ） (2021-01-22T01:27:14Z)
PCLs: Geometry-aware Neural Reconstruction of 3D Pose with Perspective Crop Layers [111.55817466296402]
我々は、カメラ幾何学に基づく関心領域の視点作物であるパースペクティブ・クロップ・レイヤ(PCL)を紹介する。 PCLは、エンドツーエンドのトレーニングと基礎となるニューラルネットワークのパラメータ数を残しながら、位置依存的な視点効果を決定論的に除去する。 PCLは、既存の3D再構成ネットワークを幾何学的に認識することで、容易に精度を向上させる手段を提供する。
論文参考訳（メタデータ） (2020-11-27T08:48:43Z)
Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-02-02T21:09:39Z)

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。