論文の概要: Effect of structure-based training on 3D localization precision and quality

• arxiv url: http://arxiv.org/abs/2309.17265v1
• Date: Fri, 29 Sep 2023 14:17:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-10-02 13:35:07.512330
• Title: Effect of structure-based training on 3D localization precision and quality
• Title（参考訳）: 3次元位置決め精度と品質に及ぼす構造ベーストレーニングの影響
• Authors: Armin Abdehkakha, Craig Snoeyink
• Abstract要約: 本研究では,単一分子局在化顕微鏡におけるCNNアルゴリズムの構造に基づくトレーニング手法を提案する。 このアプローチを従来のランダムベーストレーニング手法と比較し,LUENNパッケージをAIパイプラインとして利用した。 以上の結果から,超高分解能顕微鏡の高度化に向けた構造ベーストレーニングアプローチの可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study introduces a structural-based training approach for CNN-based algorithms in single-molecule localization microscopy (SMLM) and 3D object reconstruction. We compare this approach with the traditional random-based training method, utilizing the LUENN package as our AI pipeline. The quantitative evaluation demonstrates significant improvements in detection rate and localization precision with the structural-based training approach, particularly in varying signal-to-noise ratios (SNRs). Moreover, the method effectively removes checkerboard artifacts, ensuring more accurate 3D reconstructions. Our findings highlight the potential of the structural-based training approach to advance super-resolution microscopy and deepen our understanding of complex biological systems at the nanoscale.
• Abstract（参考訳）: 本研究では、単一分子局在化顕微鏡(SMLM)と3次元オブジェクト再構成におけるCNNアルゴリズムの構造に基づくトレーニング手法を提案する。 このアプローチを従来のランダムベーストレーニング手法と比較し,LUENNパッケージをAIパイプラインとして利用した。 定量的評価により, 検出率と位置推定精度は, 構造に基づくトレーニング手法, 特に信号-雑音比 (SNR) によって著しく向上した。 さらに、チェッカーボードのアーティファクトを効果的に除去し、より正確な3D再構成を実現する。 本研究は,超高分解能顕微鏡を応用し,ナノスケールでの複雑な生体システムの理解を深めるための構造ベーストレーニング手法の可能性を明らかにするものである。

関連論文リスト

• 3D variational autoencoder for fingerprinting microstructure volume elements [0.5892638927736115]
  微細構造ボリューム要素(VE)を符号化するための3次元変分オートエンコーダ(VAE)を提案する。 配向空間の結晶対称性は、前処理ステップとして結晶の基本領域にマッピングすることで説明される。 次に、VAEは、ランダムなテクスチャを持つ均質な多結晶構造を持つVEのトレーニングセットを符号化するために使用される。 このモデルは, トレーニング分布外のテクスチャ, 粒径, アスペクト比の微構造によく応用できることを示す。
  論文  参考訳（メタデータ） (2025-03-21T11:17:10Z)
• 3D Anatomical Structure-guided Deep Learning for Accurate Diffusion Microstructure Imaging [7.986579222123474]
  本稿では,マクロレベルの先行する解剖学的情報とパラメータ間の相互情報とを同時に利用することにより,高忠実かつ迅速な拡散微細構造イメージングを実現する新しい枠組みを提案する。 実験結果から,本手法は,ピーク信号対雑音比(PSNR)が30.51$pm$0.58,構造類似度指数(SSIM)が0.97$pm$0.004,複数拡散モデルのパラメトリックマップが0。
  論文  参考訳（メタデータ） (2025-02-25T07:52:51Z)
• Deep Active Learning with Structured Neural Depth Search [18.180995603975422]
  Active-iNASは、複数のモデルを訓練し、各アクティブラーニングサイクルの後に、その後のサンプルをクエリする最適な一般化性能でモデルを選択する。 本稿では,SVI(Structured Variational Inference)あるいはSNDS(Structured Neural Deep Search)と呼ばれる手法を用いた新しいアクティブ戦略を提案する。 同時に、理論上は、平均場推定に基づく現在のVIベースの手法が性能を低下させる可能性があることを実証している。
  論文  参考訳（メタデータ） (2023-06-05T12:00:12Z)
• Reparameterization through Spatial Gradient Scaling [69.27487006953852]
  リパラメータ化は、学習中に畳み込み層を等価なマルチブランチ構造に変換することによって、ディープニューラルネットワークの一般化を改善することを目的としている。 本稿では,畳み込みネットワークにおける重み間の学習焦点を再分配する空間勾配スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-05T17:57:33Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)
• Physics-informed neural networks for gravity currents reconstruction from limited data [0.0]
  本研究では, 物理インフォームドニューラルネットワーク(PINN)を用いた非定常重力電流の3次元再構成について検討した。 PINNコンテキストでは、目的関数がネットワーク予測と観測データとのミスマッチをペナルティ化するニューラルネットワークをトレーニングすることにより、フローフィールドを再構築する。
  論文  参考訳（メタデータ） (2022-11-03T11:27:29Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• A Dataset-Dispersion Perspective on Reconstruction Versus Recognition in Single-View 3D Reconstruction Networks [16.348294592961327]
  我々は、この先行要因を定量化し、そのNNへの影響を研究するために、新しいデータ駆動計量である分散スコアを導入する。 提案手法は, 従来の再建スコアに加えて, 復元品質を解析し, 新たな情報を提供する主要な方法であることを示す。
  論文  参考訳（メタデータ） (2021-11-30T06:33:35Z)
• Localized Persistent Homologies for more Effective Deep Learning [60.78456721890412]
  ネットワークトレーニング中の位置を考慮に入れた新しいフィルタ機能を利用する手法を提案する。 この方法で訓練されたネットワークが抽出した曲線構造のトポロジを回復するのに役立つ道路の2次元画像と神経過程の3次元画像スタックを実験的に実証した。
  論文  参考訳（メタデータ） (2021-10-12T19:28:39Z)
• Deep Unrolled Recovery in Sparse Biological Imaging [62.997667081978825]
  ディープ・アルゴリズム・アンローリング(Deep Algorithm Unrolling)は、反復的アルゴリズムの解釈可能性と教師付きディープラーニングの性能向上を組み合わせたディープ・アーキテクチャを開発するためのモデルベースのアプローチである。 この枠組みは生体イメージングの応用に適しており、測定プロセスを記述する物理モデルが存在し、回復すべき情報がしばしば高度に構造化されている。
  論文  参考訳（メタデータ） (2021-09-28T20:22:44Z)
• Physical model simulator-trained neural network for computational 3D phase imaging of multiple-scattering samples [1.112751058850223]
  サンプルコントラストを均質化する新しいモデルベースデータ正規化前処理法を開発した。 上皮扁平上皮細胞およびCaenorhabditis elegans wormsの実験的測定におけるこのフレームワークの能力を示す。
  論文  参考訳（メタデータ） (2021-03-29T17:43:56Z)
• Model-inspired Deep Learning for Light-Field Microscopy with Application to Neuron Localization [27.247818386065894]
  光フィールド顕微鏡画像を用いた高速かつ堅牢なソースの3Dローカリゼーションを実現するモデルに基づくディープラーニング手法を提案する。 これは畳み込みスパース符号化問題を効率的に解くディープネットワークを開発することによって実現される。 光場からのほ乳類ニューロンの局在化実験により,提案手法が性能,解釈性,効率の向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2021-03-10T16:24:47Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。