論文の概要: MR-NOM: Multi-scale Resolution of Neuronal cells in Nissl-stained
histological slices via deliberate Over-segmentation and Merging
- arxiv url: http://arxiv.org/abs/2211.07415v1
- Date: Mon, 14 Nov 2022 14:42:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 19:44:10.418566
- Title: MR-NOM: Multi-scale Resolution of Neuronal cells in Nissl-stained
histological slices via deliberate Over-segmentation and Merging
- Title(参考訳): MR-NOM:Nissl-stained histological slicesにおける神経細胞の多段階分解能
- Authors: Valentina Vadori, Jean-Marie Gra\"ic, Livio Finos, Livio Corain,
Antonella Peruffo, Enrico Grisan
- Abstract要約: 比較神経解剖学では、脳細胞構造の特徴は脳の構造と機能をよりよく理解するために重要である。
MR-NOMは、細胞をスーパーピクセルに意図的に過剰に分割し、形状、構造、強度の特徴に基づいて分類器を介してマージするマルチスケールアプローチを利用する。
この方法は大脳皮質の画像でテストされ、部分的に触れたり重なり合う様々な特性の細胞を扱うことに成功した。
- 参考スコア(独自算出の注目度): 0.5273938705774914
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In comparative neuroanatomy, the characterization of brain cytoarchitecture
is critical to a better understanding of brain structure and function, as it
helps to distill information on the development, evolution, and distinctive
features of different populations. The automatic segmentation of individual
brain cells is a primary prerequisite and yet remains challenging. A new method
(MR-NOM) was developed for the instance segmentation of cells in Nissl-stained
histological images of the brain. MR-NOM exploits a multi-scale approach to
deliberately over-segment the cells into superpixels and subsequently merge
them via a classifier based on shape, structure, and intensity features. The
method was tested on images of the cerebral cortex, proving successful in
dealing with cells of varying characteristics that partially touch or overlap,
showing better performance than two state-of-the-art methods.
- Abstract(参考訳): 比較神経解剖学において、脳細胞構造の特徴は、異なる個体群の発達、進化、特徴に関する情報を抽出するのに役立つため、脳の構造と機能をよりよく理解するために重要である。
個々の脳細胞の自動セグメンテーションは主要な前提条件であり、依然として困難である。
Nissl-stained histological image of the brain における細胞分画のための新しい方法 (MR-NOM) を開発した。
MR-NOMは、細胞をスーパーピクセルに意図的に過剰に分割し、形状、構造、強度の特徴に基づいて分類器を介してマージするマルチスケールアプローチを利用する。
この方法は、大脳皮質の画像でテストされ、部分的に触れたり重なったりする様々な特徴を持つ細胞を扱うことに成功し、2つの最先端の方法よりも優れた性能を示した。
関連論文リスト
- Segment Anything for Dendrites from Electron Microscopy [36.25707481854301]
EM画像中のデンドライトのインタラクティブかつ自動セグメンテーションのためのセグメンテーションに基づく視覚基盤モデルであるデンドライトSAMを提案する。
このモデルは、健康な海馬ラットの高分解能EMデータに基づいて訓練され、病気のラットとヒトのデータで試験される。
論文 参考訳(メタデータ) (2024-11-04T19:54:26Z) - Brain-like Functional Organization within Large Language Models [58.93629121400745]
人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた
最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。
本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。
このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
論文 参考訳(メタデータ) (2024-10-25T13:15:17Z) - Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳(メタデータ) (2024-07-31T04:32:43Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳(メタデータ) (2024-04-11T15:46:42Z) - NCIS: Deep Color Gradient Maps Regression and Three-Class Pixel
Classification for Enhanced Neuronal Cell Instance Segmentation in
Nissl-Stained Histological Images [0.5273938705774914]
本稿では,Nissl-stained histological image of the brainにおいて,単一神経細胞を自動分離するエンド・ツー・エンドの枠組みを提案する。
エンコーダとしてEfficientNetと2つのデコードブランチを備えたU-Netライクなアーキテクチャを用いて、4つの勾配カラーマップを復元し、ピクセルをタッチセル、細胞体、背景の間の輪郭に分類する。
この方法は大脳皮質と小脳の画像でテストされ、最近の深層学習による細胞のインスタンス分割のアプローチよりも優れています。
論文 参考訳(メタデータ) (2023-06-27T20:22:04Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Brain Tissue Segmentation Across the Human Lifespan via Supervised
Contrastive Learning [34.82366750668948]
深層学習モデルを用いて,脳組織をヒトの寿命全体(0~100歳)に分割する試みを初めて行った。
我々のモデルは脳組織を正確に分割し、既存の方法より優れています。
論文 参考訳(メタデータ) (2023-01-03T21:54:17Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳(メタデータ) (2022-01-07T07:46:01Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳(メタデータ) (2020-06-23T09:20:42Z) - Local semi-supervised approach to brain tissue classification in child
brain MRI [0.0]
小児脳MRIにおけるほとんどのセグメンテーション法は、制御されており、主要な脳構造の大域的な強度確率計算に基づいている。
本稿では,主要な組織群(白質,灰白質)と髄液の分類を検討した。
本手法は, 部分体積推定(Partial Volume Estimation)と呼ばれる最先端の分類技術との比較により, 組織クラスの検出を改善した。
論文 参考訳(メタデータ) (2020-05-20T06:43:41Z)
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。