論文の概要: Dual-View Selective Instance Segmentation Network for Unstained Live
Adherent Cells in Differential Interference Contrast Images
- arxiv url: http://arxiv.org/abs/2301.11499v1
- Date: Fri, 27 Jan 2023 02:22:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-30 16:40:46.712979
- Title: Dual-View Selective Instance Segmentation Network for Unstained Live
Adherent Cells in Differential Interference Contrast Images
- Title（参考訳）: ディファレンシャル・コントラスト画像における非安定なLive Adherent Cellのためのデュアルビュー選択型インスタンスセグメンテーションネットワーク
- Authors: Fei Pan, Yutong Wu, Kangning Cui, Shuxun Chen, Yanfang Li, Yaofang
Liu, Adnan Shakoor, Han Zhao, Beijia Lu, Shaohua Zhi, Raymond Chan, and Dong
Sun
- Abstract要約: 接着細胞は低コントラスト構造、フェーディングエッジ、不規則な形態を有する。
DIC画像中の非定常付着細胞をセグメント化するための新しいディープラーニングアルゴリズムを開発した。
このアルゴリズムは、ベンチマークを23.6%上回る0.555のAP_segmを達成する。
- 参考スコア（独自算出の注目度）: 11.762090096790823
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite recent advances in data-independent and deep-learning algorithms,
unstained live adherent cell instance segmentation remains a long-standing
challenge in cell image processing. Adherent cells' inherent visual
characteristics, such as low contrast structures, fading edges, and irregular
morphology, have made it difficult to distinguish from one another, even by
human experts, let alone computational methods. In this study, we developed a
novel deep-learning algorithm called dual-view selective instance segmentation
network (DVSISN) for segmenting unstained adherent cells in differential
interference contrast (DIC) images. First, we used a dual-view segmentation
(DVS) method with pairs of original and rotated images to predict the bounding
box and its corresponding mask for each cell instance. Second, we used a mask
selection (MS) method to filter the cell instances predicted by the DVS to keep
masks closest to the ground truth only. The developed algorithm was trained and
validated on our dataset containing 520 images and 12198 cells. Experimental
results demonstrate that our algorithm achieves an AP_segm of 0.555, which
remarkably overtakes a benchmark by a margin of 23.6%. This study's success
opens up a new possibility of using rotated images as input for better
prediction in cell images.
- Abstract（参考訳）: データ独立型およびディープラーニングアルゴリズムの最近の進歩にもかかわらず、未完のライブアテンデントセルインスタンスのセグメンテーションは、セル画像処理における長年の課題である。
低コントラスト構造、フェーディングエッジ、不規則な形態といった接着細胞固有の視覚特性は、計算手法を使わずに、人間の専門家によってさえ、互いに区別することが困難になっている。
本研究では,ディファレンシャル干渉コントラスト(dic)画像中の未持続接着細胞をセグメンテーションするためのdvsisnと呼ばれる新しいディープラーニングアルゴリズムを開発した。
まず,各セルインスタンスのバウンディングボックスとそのマスクを予測するために,オリジナル画像と回転画像のペアを用いたデュアルビューセグメンテーション(dvs)手法を用いた。
第二に、DVSが予測するセルインスタンスをフィルタするためにマスク選択法(MS)を用いて、基底真実に最も近いマスクを保持する。
開発したアルゴリズムは, 520画像と12198セルを含むデータセット上で学習し, 検証した。
実験の結果,提案アルゴリズムはベンチマークを23.6%上回る0.555のAP_segmを達成した。
この研究の成功は、細胞画像のより良い予測のための入力として回転画像を使用する新たな可能性を開く。
関連論文リスト
- Interpretable Embeddings for Segmentation-Free Single-Cell Analysis in Multiplex Imaging [1.8687965482996822]
多重イメージング(MI)は、複数の生物学的マーカーを、細胞内解像度で別々のイメージングチャネルで同時に可視化することを可能にする。
本稿では,グループ化畳み込みを利用して各画像チャンネルから解釈可能な埋め込み特徴を学習するセグメンテーションフリーなディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2024-11-02T11:21:33Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Unsupervised Domain Adaptation with Contrastive Learning for OCT
Segmentation [49.59567529191423]
本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。
教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
論文 参考訳（メタデータ） (2022-03-07T19:02:26Z) - Single Test Image-Based Automated Machine Learning System for
Distinguishing between Trait and Diseased Blood Samples [2.867517731896504]
そこで我々は, 携帯型顕微鏡の画質不良画像の病原細胞疾患の完全自動診断のための機械学習手法を提案する。
本手法は, 異常検体と異常検体のみを区別することに限定された従来の方法と異なり, 病型, 形質(キャリア), 正常検体とを区別することができる。
論文 参考訳（メタデータ） (2021-03-30T12:29:50Z) - Deeply-Supervised Density Regression for Automatic Cell Counting in
Microscopy Images [9.392002197101965]
顕微鏡画像中の細胞を自動的にカウントする密度回帰に基づく新しい手法を提案する。
提案手法は, 従来のレグレッションベース手法と比較して, 2つのイノベーションを処理している。
4つのデータセットで評価した実験により,提案手法の優れた性能が示された。
論文 参考訳（メタデータ） (2020-11-07T04:02:47Z) - Learning to segment clustered amoeboid cells from brightfield microscopy
via multi-task learning with adaptive weight selection [6.836162272841265]
マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。
ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。
検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
論文 参考訳（メタデータ） (2020-05-19T11:31:53Z) - Cell Segmentation and Tracking using CNN-Based Distance Predictions and
a Graph-Based Matching Strategy [0.20999222360659608]
顕微鏡画像における触覚細胞のセグメンテーション法を提案する。
距離マップにインスパイアされた新しい細胞境界の表現を用いることで, 触覚細胞だけでなく, 近接細胞をトレーニングプロセスで利用することができる。
この表現は、特にアノテーションエラーに対して堅牢であり、未表現または未含の細胞型を含むトレーニングデータに含まれる顕微鏡画像のセグメンテーションに対して有望な結果を示す。
論文 参考訳（メタデータ） (2020-04-03T11:55:28Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。