論文の概要: Organelle-specific segmentation, spatial analysis, and visualization of
volume electron microscopy datasets
- arxiv url: http://arxiv.org/abs/2303.03876v1
- Date: Tue, 7 Mar 2023 13:23:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-08 15:22:01.740688
- Title: Organelle-specific segmentation, spatial analysis, and visualization of
volume electron microscopy datasets
- Title(参考訳): 体積電子顕微鏡データセットのオルガネラ特異的セグメンテーション、空間解析および可視化
- Authors: Andreas M\"uller, Deborah Schmidt, Lucas Rieckert, Michele Solimena,
and Martin Weigert
- Abstract要約: 体積電子顕微鏡は、ナノメートルスケールでの細胞微細構造のその場調査のための方法である。
近年の技術進歩により、セグメント化と空間解析のための計算戦略を必要とする大規模な生画像データセットが急速に増加した。
本稿では,大容量電子顕微鏡データセットのオルガネラ特異的セグメンテーション,空間解析,可視化のための実用的でアノテーション効率のよいパイプラインについて述べる。
- 参考スコア(独自算出の注目度): 1.5332481598232222
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Volume electron microscopy is the method of choice for the in-situ
interrogation of cellular ultrastructure at the nanometer scale. Recent
technical advances have led to a rapid increase in large raw image datasets
that require computational strategies for segmentation and spatial analysis. In
this protocol, we describe a practical and annotation-efficient pipeline for
organelle-specific segmentation, spatial analysis, and visualization of large
volume electron microscopy datasets using freely available, user-friendly
software tools that can be run on a single standard workstation. We
specifically target researchers in the life sciences with limited computational
expertise, who face the following tasks within their volume electron microscopy
projects: i) How to generate 3D segmentation labels for different types of cell
organelles while minimizing manual annotation efforts, ii) how to analyze the
spatial interactions between organelle instances, and iii) how to best
visualize the 3D segmentation results. To meet these demands we give detailed
guidelines for choosing the most efficient segmentation tools for the specific
cell organelle. We furthermore provide easily executable components for spatial
analysis and 3D rendering and bridge compatibility issues between freely
available open-source tools, such that others can replicate our full pipeline
starting from a raw dataset up to the final plots and rendered images. We
believe that our detailed description can serve as a valuable reference for
similar projects requiring special strategies for single- or multiple organelle
analysis which can be achieved with computational resources commonly available
to single-user setups.
- Abstract(参考訳): 体積電子顕微鏡は、ナノメートルスケールでの細胞微細構造のその場調査のための方法である。
近年の技術的進歩により、セグメンテーションと空間分析に計算戦略を必要とする大規模な生画像データセットが急速に増加した。
本プロトコルでは,単一標準ワークステーション上で動作可能なユーザフレンドリなソフトウェアツールを用いて,臓器特異的なセグメント化,空間解析,大規模電子顕微鏡データセットの可視化を行うための実用的でアノテーション効率の良いパイプラインについて述べる。
我々は特に、計算の専門知識が限られている生命科学の研究者を対象とし、ボリューム電子顕微鏡プロジェクトにおいて以下の課題に直面する。
一 手作業の注記を最小化しつつ、異なる種類の細胞オルガネラの3Dセグメンテーションラベルの作成方法
二 オルガネラインスタンス間の空間的相互作用の分析方法、及び
iii) 最適な3dセグメンテーション結果を可視化する方法。
これらの要求を満たすため、我々は特定の細胞小器官の最も効率的なセグメンテーションツールを選択するための詳細なガイドラインを提示する。
さらに,空間解析や3Dレンダリング,オープンソースツール間のブリッジ互換性といった問題に対して,生のデータセットから最終プロットやレンダリング画像に至るまで,パイプライン全体を再現できるような,容易に実行可能なコンポーネントも提供しています。
当社の詳細な説明は,シングルユーザ設定に共通する計算リソースで実現可能な,シングルないしマルチオルガネラ解析のための特別な戦略を必要とする類似プロジェクトの貴重な参照として機能すると思います。
関連論文リスト
- CRISP: A Framework for Cryo-EM Image Segmentation and Processing with Conditional Random Field [0.0]
本稿では,Cryo-EMデータから高品質なセグメンテーションマップを自動生成するパイプラインを提案する。
我々のモジュラーフレームワークは、様々なセグメンテーションモデルと損失関数の選択を可能にする。
限られたマイクログラフでトレーニングすると、合成データ上で90%以上の精度、リコール、精度、インターセクション・オーバー・ユニオン(IoU)、F1スコアを達成することができる。
論文 参考訳(メタデータ) (2025-02-12T10:44:45Z) - Single cell resolution 3D imaging and segmentation within intact live tissues [2.3326493996358804]
本稿では, サンプル調製, イメージング, 深層学習支援セルセグメンテーションのための詳細なステップバイステッププロトコルについて述べる。
このプロトコルは様々なサンプルに適用され、3Dで複雑な解析を必要とする他の組織の研究に有用であると考えています。
論文 参考訳(メタデータ) (2025-01-31T15:13:04Z) - Are We Ready for Real-Time LiDAR Semantic Segmentation in Autonomous Driving? [42.348499880894686]
シーンセマンティックセグメンテーションは、3次元空間データを専門のディープニューラルネットワークと直接統合することで実現できる。
本研究では, NVIDIA Jetson プラットフォーム上でのリソース制約推論の性能と性能を解析し, 様々な3次元セマンティックセマンティックセマンティクス手法について検討する。
論文 参考訳(メタデータ) (2024-10-10T20:47:33Z) - Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。
我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。
いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
論文 参考訳(メタデータ) (2024-02-26T03:49:18Z) - Large-Scale Multi-Hypotheses Cell Tracking Using Ultrametric Contours Maps [1.015920567871904]
本稿では,分割選択手法による大規模3次元細胞追跡手法について述べる。
本手法は,細胞追跡課題から得られた3次元画像の最先端化を実現する。
われわれのフレームワークは柔軟で、市販のセルセグメンテーションモデルからのセグメンテーションをサポートしている。
論文 参考訳(メタデータ) (2023-08-08T18:41:38Z) - Semi-Weakly Supervised Object Kinematic Motion Prediction [56.282759127180306]
3Dオブジェクトが与えられた場合、運動予測は移動部と対応する運動パラメータを識別することを目的としている。
階層的部分分割と移動部パラメータのマップを学習するグラフニューラルネットワークを提案する。
ネットワーク予測は、擬似ラベル付き移動情報を持つ大規模な3Dオブジェクトを生成する。
論文 参考訳(メタデータ) (2023-03-31T02:37:36Z) - Semantic Scene Segmentation for Robotics Applications [51.66271681532262]
様々な設定の下で,最も成功したセマンティックシーンセグメンテーションモデルの動作を,展開(推論)速度の観点から検討する。
この研究の目的は、ロボット工学の応用要件に最も適合しているものを選択するために、現在の最先端セグメンテーションモデルの比較研究を提供することである。
論文 参考訳(メタデータ) (2021-08-25T08:55:20Z) - Multiclass Yeast Segmentation in Microstructured Environments with Deep
Learning [20.456742449675904]
我々は、個々の酵母細胞の多クラスセグメンテーションのために訓練された畳み込みニューラルネットワークを提案する。
本手法は, 微構造環境下での酵母のセグメンテーションへの寄与を, 典型的な合成生物学的応用で示す。
論文 参考訳(メタデータ) (2020-11-16T16:16:13Z) - Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。
MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。
ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。
本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
論文 参考訳(メタデータ) (2020-10-24T08:50:26Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳(メタデータ) (2020-06-22T08:35:58Z)
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。