論文の概要: NCIS: Deep Color Gradient Maps Regression and Three-Class Pixel
Classification for Enhanced Neuronal Cell Instance Segmentation in
Nissl-Stained Histological Images
- arxiv url: http://arxiv.org/abs/2306.15784v1
- Date: Tue, 27 Jun 2023 20:22:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-29 16:32:56.067767
- Title: NCIS: Deep Color Gradient Maps Regression and Three-Class Pixel
Classification for Enhanced Neuronal Cell Instance Segmentation in
Nissl-Stained Histological Images
- Title（参考訳）: NCIS:Nissl-Stained Histological Imagesにおける深部色勾配マップの回帰と3種類の画像分類
- Authors: Valentina Vadori, Antonella Peruffo, Jean-Marie Gra\"ic, Livio Finos,
Livio Corain, Enrico Grisan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.5273938705774914
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning has proven to be more effective than other methods in medical
image analysis, including the seemingly simple but challenging task of
segmenting individual cells, an essential step for many biological studies.
Comparative neuroanatomy studies are an example where the instance segmentation
of neuronal cells is crucial for cytoarchitecture characterization. This paper
presents an end-to-end framework to automatically segment single neuronal cells
in Nissl-stained histological images of the brain, thus aiming to enable solid
morphological and structural analyses for the investigation of changes in the
brain cytoarchitecture. A U-Net-like architecture with an EfficientNet as the
encoder and two decoding branches is exploited to regress four color gradient
maps and classify pixels into contours between touching cells, cell bodies, or
background. The decoding branches are connected through attention gates to
share relevant features, and their outputs are combined to return the instance
segmentation of the cells. The method was tested on images of the cerebral
cortex and cerebellum, outperforming other recent deep-learning-based
approaches for the instance segmentation of cells.
- Abstract（参考訳）: 深層学習は、医療画像解析において他の方法よりも効果的であることが証明されている。
比較神経解剖学的研究は、神経細胞のインスタンスセグメンテーションが細胞構造解析に不可欠である例である。
本論文は,Nissl-stained histological image of the brain cytoarchitecture における単一神経細胞を自動分離するエンド・ツー・エンドの枠組みについて述べる。
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つのカラー勾配マップを回帰し、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。
デコードブランチはアテンションゲートを介して接続され、関連する特徴を共有し、その出力を結合してセルのインスタンスセグメンテーションを返す。
この方法は大脳皮質と小脳の画像でテストされ、最近の深層学習に基づく細胞分割のアプローチよりも優れている。
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) - CISCA and CytoDArk0: a Cell Instance Segmentation and Classification method for histo(patho)logical image Analyses and a new, open, Nissl-stained dataset for brain cytoarchitecture studies [0.19791587637442667]
組織学的スライスにおけるセルインスタンスの自動セグメンテーションと分類のための新しいディープラーニングフレームワーク(CISCA)を提案する。
CISCAのコアには、デコーダに3つの頭を持つ軽量なU-Netを備えたネットワークアーキテクチャがある。
CoNIC, PanNuke, MoNuSegの4つのデータセットを用いて, 提案手法の有効性を示す。
論文 参考訳（メタデータ） (2024-09-06T10:34:06Z) - 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) - 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) - Revealing Cortical Layers In Histological Brain Images With
Self-Supervised Graph Convolutional Networks Applied To Cell-Graphs [0.20971479389679332]
大脳皮質の2次元Nissl染色組織スライスにおける層検出のための自己監督的アプローチを導入する。
自己教師付きグラフ畳み込みネットワークは、細胞環境の形態的および構造的特性をコードする細胞埋め込みを生成する。
論文 参考訳（メタデータ） (2023-11-26T10:33:36Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。
本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。
次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
論文 参考訳（メタデータ） (2023-02-22T14:52:06Z) - MR-NOM: Multi-scale Resolution of Neuronal cells in Nissl-stained
histological slices via deliberate Over-segmentation and Merging [0.5273938705774914]
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。
論文 参考訳（メタデータ） (2022-11-14T14:42:29Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:41:12Z) - 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)
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。