論文の概要: The XPRESS Challenge: Xray Projectomic Reconstruction -- Extracting
Segmentation with Skeletons
- arxiv url: http://arxiv.org/abs/2302.03819v1
- Date: Wed, 8 Feb 2023 00:53:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-09 17:42:03.671617
- Title: The XPRESS Challenge: Xray Projectomic Reconstruction -- Extracting
Segmentation with Skeletons
- Title（参考訳）: Xpression Challenge: Xray Projectomic Reconstruction -- セレトンによるセグメンテーションの抽出
- Authors: Tri Nguyen, Mukul Narwani, Mark Larson, Yicong Li, Shuhan Xie,
Hanspeter Pfister, Donglai Wei, Nir Shavit, Lu Mi, Alexandra Pacureanu,
Wei-Chung Lee, Aaron T. Kuan
- Abstract要約: X線ホログラフィーナノトモグラフィー(XNH)は、顕微鏡よりはるかに大規模な脳組織の高解像度画像を提供することができる。
マウス脳の皮質白質軸索のXNH像と軸索軌跡の接地真実アノテーションを提供する。
- 参考スコア（独自算出の注目度）: 65.73888157730973
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The wiring and connectivity of neurons form a structural basis for the
function of the nervous system. Advances in volume electron microscopy (EM) and
image segmentation have enabled mapping of circuit diagrams (connectomics)
within local regions of the mouse brain. However, applying volume EM over the
whole brain is not currently feasible due to technological challenges. As a
result, comprehensive maps of long-range connections between brain regions are
lacking. Recently, we demonstrated that X-ray holographic nanotomography (XNH)
can provide high-resolution images of brain tissue at a much larger scale than
EM. In particular, XNH is wellsuited to resolve large, myelinated axon tracts
(white matter) that make up the bulk of long-range connections (projections)
and are critical for inter-region communication. Thus, XNH provides an imaging
solution for brain-wide projectomics. However, because XNH data is typically
collected at lower resolutions and larger fields-of-view than EM, accurate
segmentation of XNH images remains an important challenge that we present here.
In this task, we provide volumetric XNH images of cortical white matter axons
from the mouse brain along with ground truth annotations for axon trajectories.
Manual voxel-wise annotation of ground truth is a time-consuming bottleneck for
training segmentation networks. On the other hand, skeleton-based ground truth
is much faster to annotate, and sufficient to determine connectivity.
Therefore, we encourage participants to develop methods to leverage
skeleton-based training. To this end, we provide two types of ground-truth
annotations: a small volume of voxel-wise annotations and a larger volume with
skeleton-based annotations. Entries will be evaluated on how accurately the
submitted segmentations agree with the ground-truth skeleton annotations.
- Abstract（参考訳）: ニューロンの配線と接続は神経系の機能のための構造的基盤を形成する。
ボリューム電子顕微鏡(EM)と画像セグメンテーションの進歩により、マウス脳の局所領域における回路図(接続図)のマッピングが可能になった。
しかし, 脳全体に容積EMを適用することは, 技術的課題のために現在実現不可能である。
その結果、脳領域間の長距離接続の包括的な地図が欠如している。
近年,x線ホログラフィックナノトモグラフィー (xnh) が脳組織の高分解能像をemよりはるかに大きなスケールで提供できることが実証された。
特に、XNHは長距離接続(投射)の大部分を構成し、地域間通信に欠かせない、大規模でミレレートな軸索(白色物質)の解決に適している。
したがって、XNHは脳全体のプロトミクスにイメージングソリューションを提供する。
しかし、XNHデータは一般的にEMよりも解像度が低く視野が大きいため、XNH画像の正確なセグメンテーションは重要な課題である。
この課題では,マウス脳からの皮質白質軸索の体積xnh画像と,軸索軌跡に対する基底真理アノテーションを提供する。
手動のvoxel-wise Annotation of ground truthは、セグメンテーションネットワークのトレーニングに時間を要するボトルネックである。
一方、骨格に基づく基底真理はアノテートよりもはるかに速く、接続性を決定するのに十分である。
そこで我々は,スケルトンベーストレーニングの活用方法の開発を参加者に勧める。
この目的のために、我々は、少量のvoxel-wiseアノテーションと、スケルトンベースのアノテーションを備えたより大きなボリュームの2つの基底真実アノテーションを提供する。
エントリは、提出されたセグメンテーションが基底骨格アノテーションとどの程度正確に一致するかを評価する。
関連論文リスト
- 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) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳（メタデータ） (2023-05-30T14:25:55Z) - Implicit Anatomical Rendering for Medical Image Segmentation with
Stochastic Experts [11.007092387379078]
医用画像セグメンテーションの学習を支援するために,解剖学的レベルで設計された汎用的な暗黙的ニューラルネットワークレンダリングフレームワークであるMORSEを提案する。
医用画像のセグメンテーションをエンドツーエンドのレンダリング問題として定式化する。
実験の結果,MORSEは異なる医療セグメントのバックボーンでうまく機能することが示された。
論文 参考訳（メタデータ） (2023-04-06T16:44:03Z) - X-Ray2EM: Uncertainty-Aware Cross-Modality Image Reconstruction from
X-Ray to Electron Microscopy in Connectomics [55.6985304397137]
膜セグメンテーション品質を向上したEMライクな画像にX線画像を変換する不確実性を考慮した3D再構成モデルを提案する。
これは、よりシンプルで、より高速で、より正確なX線ベースのコネクトロミクスパイプラインを開発する可能性を示している。
論文 参考訳（メタデータ） (2023-03-02T00:52:41Z) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳（メタデータ） (2022-07-18T23:07:53Z) - Whole Brain Segmentation with Full Volume Neural Network [41.2566839481976]
全脳のセグメンテーションは、脳全体の体積を解剖学的にラベル付けされた領域に分割する重要なタスクである。
既存のソリューションでは、通常、ボクセルを分類したり、スライスまたはサブボリュームを別々にラベル付けすることで、脳のイメージを分割する。
本稿では,全容積脳画像をセグメント化ネットワークに供給し,全容積のセグメント化結果を直接出力するフルボリュームフレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-29T08:00:14Z) - Convolutional Neural Networks for cytoarchitectonic brain mapping at
large scale [0.33727511459109777]
今回我々は,ヒト後脳の多数の細胞体染色組織における細胞構造学的領域をマッピングするための新しいワークフローを提案する。
これはDeep Convolutional Neural Network (CNN)に基づいており、アノテーション付きの一対のセクションイメージに基づいてトレーニングされており、その間に多数の注釈のないセクションがある。
新しいワークフローは、セクションの3D再構成を必要とせず、組織学的アーティファクトに対して堅牢である。
論文 参考訳（メタデータ） (2020-11-25T16:25:13Z) - Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。
ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文 参考訳（メタデータ） (2020-06-20T17:56:46Z)
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。