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
- 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) - SAM vs BET: A Comparative Study for Brain Extraction and Segmentation of
Magnetic Resonance Images using Deep Learning [0.0]
Segment Anything Model (SAM)は、より正確で堅牢で汎用的なツールとして、幅広い脳の抽出とセグメンテーションの応用の可能性を秘めている。
我々はSAMを、様々な画像品質、MR配列、脳の病変が異なる脳領域に影響を及ぼす様々な脳スキャンにおいて、BETと呼ばれる、広く使われている現在の金の標準技術と比較した。
論文 参考訳(メタデータ) (2023-04-10T17:50:52Z) - Cones: Concept Neurons in Diffusion Models for Customized Generation [41.212255848052514]
本稿では,特定の対象に対応する拡散モデルにおいて,ニューロンの小さな集合を見出す。
概念ニューロンは、生成結果の解釈と操作において磁気特性を示す。
大規模な応用においては、ニューロンは環境に優しいため、密度の高いfloat32値ではなく、sparseクラスタのintインデックスを格納するだけである。
論文 参考訳(メタデータ) (2023-03-09T09:16:04Z) - 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) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳(メタデータ) (2022-09-22T04:17:57Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳(メタデータ) (2022-05-06T03:45:36Z) - 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) - Contrastive Representation Learning for Whole Brain Cytoarchitectonic
Mapping in Histological Human Brain Sections [0.4588028371034407]
本稿では,顕微鏡画像パッチを頑健な微細構造特徴に符号化するための対照的な学習手法を提案する。
この学習課題を用いて事前学習したモデルは、最近提案された補助課題に基づいて事前学習したモデルと同様に、スクラッチから訓練したモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-11-25T16:44:23Z) - 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。