論文の概要: Multi-stream Cell Segmentation with Low-level Cues for Multi-modality Images

• arxiv url: http://arxiv.org/abs/2310.14226v1
• Date: Sun, 22 Oct 2023 08:11:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 01:04:22.502650
• Title: Multi-stream Cell Segmentation with Low-level Cues for Multi-modality Images
• Title（参考訳）: マルチモダリティ画像のための低レベルcuesを用いたマルチストリームセルセグメンテーション
• Authors: Wei Lou and Xinyi Yu and Chenyu Liu and Xiang Wan and Guanbin Li and Siqi Liu and Haofeng Li
• Abstract要約: 我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。 次に、分類ラベルに基づいて分類モデルを訓練する。 2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
• 参考スコア（独自算出の注目度）: 66.79688768141814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cell segmentation for multi-modal microscopy images remains a challenge due to the complex textures, patterns, and cell shapes in these images. To tackle the problem, we first develop an automatic cell classification pipeline to label the microscopy images based on their low-level image characteristics, and then train a classification model based on the category labels. Afterward, we train a separate segmentation model for each category using the images in the corresponding category. Besides, we further deploy two types of segmentation models to segment cells with roundish and irregular shapes respectively. Moreover, an efficient and powerful backbone model is utilized to enhance the efficiency of our segmentation model. Evaluated on the Tuning Set of NeurIPS 2022 Cell Segmentation Challenge, our method achieves an F1-score of 0.8795 and the running time for all cases is within the time tolerance.
• Abstract（参考訳）: マルチモーダル顕微鏡画像のための細胞セグメンテーションは、これらの画像の複雑なテクスチャ、パターン、細胞形状のために依然として課題である。 この問題に対処するために,まず,低レベルの画像特性に基づいて顕微鏡画像にラベルを付ける自動セル分類パイプラインを開発し,カテゴリラベルに基づいて分類モデルを訓練する。 その後、対応するカテゴリの画像を用いて、カテゴリごとに個別のセグメンテーションモデルを訓練する。 さらに,2種類のセグメンテーションモデルを,丸みを帯びた形状と不規則な形状のセルに展開する。 さらに、効率的で強力なバックボーンモデルを用いて、セグメンテーションモデルの効率を向上させる。 提案手法は,NeurIPS 2022セルセグメンテーションチャレンジのチューニングセットに基づいて,F1スコア0.8795を達成し,全ケースのランニング時間は許容時間内である。

関連論文リスト

• Freestyle Sketch-in-the-Loop Image Segmentation [116.1810651297801]
  そこで我々は,視覚概念を部分的に,完全に,あるいはグループ化することで,視覚概念のセグメンテーションを可能にする,スケッチ・イン・ザ・ループ(sketch-in-the-loop)イメージセグメンテーションフレームワークを提案する。 このフレームワークは、スケッチベースの画像検索モデルと大規模事前学習モデルとの相乗効果を生かしている。 我々の目的による拡張戦略は、スケッチ誘導マスク生成の汎用性を高め、複数のレベルでセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2025-01-27T13:07:51Z)
• CellSeg1: Robust Cell Segmentation with One Training Image [37.60000299559688]
  任意の形態とモダリティの細胞をセグメント化するためのソリューションであるCellSeg1について,数ダースのセルアノテーションを1イメージで紹介する。 19の多様なセルデータセットでテストされ、CellSeg1は1枚の画像でトレーニングされ、0.5 IoUで平均平均mAP0.81に達し、500枚以上の画像でトレーニングされた既存のモデルと同等に動作した。
  論文  参考訳（メタデータ） (2024-12-02T11:55:22Z)
• Practical Guidelines for Cell Segmentation Models Under Optical Aberrations in Microscopy [14.042884268397058]
  本研究は,光収差下でのセル画像のセグメンテーションモデルについて,蛍光顕微鏡と光電場顕微鏡を用いて評価する。 ネットワークヘッドの異なるOstoしきい値法やMask R-CNNなどのセグメンテーションモデルをトレーニングし,テストする。 対照的に、Cellpose 2.0は同様の条件下で複雑な細胞画像に有効であることが証明されている。
  論文  参考訳（メタデータ） (2024-04-12T15:45:26Z)
• CellMixer: Annotation-free Semantic Cell Segmentation of Heterogeneous Cell Populations [9.335273591976648]
  異種細胞集団のセマンティックセグメンテーションのための革新的なアノテーションのないアプローチであるCellMixerを提案する。 以上の結果から,CellMixerは複数のセルタイプにまたがる競合セグメンテーション性能と画像モダリティを実現することができることがわかった。
  論文  参考訳（メタデータ） (2023-12-01T15:50:20Z)
• 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)
• Advanced Multi-Microscopic Views Cell Semi-supervised Segmentation [0.0]
  深層学習(DL)は細胞セグメンテーションタスクにおいて強力なポテンシャルを示すが、一般化が不十分である。 本稿では,Multi-Microscopic-view Cell semi-supervised (MMCS) と呼ばれる,新しい半教師付き細胞分割法を提案する。 MMCSは、マイクロスコープの異なる低ラベルの多姿勢細胞画像を用いて、細胞セグメンテーションモデルを訓練することができる。 F1スコアは0.8239であり、全てのケースのランニング時間は許容時間の範囲内である。
  論文  参考訳（メタデータ） (2023-03-21T08:08:13Z)
• Meta Internal Learning [88.68276505511922]
  単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。 本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。 以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:27:38Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• Instance-based Vision Transformer for Subtyping of Papillary Renal Cell Carcinoma in Histopathological Image [31.00452985964065]
  P型腎細胞癌(RCC)の病理組織学的サブタイプは1型対2型であり,本態性予後因子である。 本稿では,pRCCサブタイピングタスクの組織像の頑健な表現を学習するための,新しいインスタンスベースの視覚変換器(i-ViT)を提案する。 実験結果から,提案手法は既存のCNNモデルよりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-06-23T09:42:49Z)
• Learning to Associate Every Segment for Video Panoptic Segmentation [123.03617367709303]
  粗いセグメントレベルのマッチングと細かなピクセルレベルのマッチングを同時に学習する。 本研究では,Cityscapes-VPSおよびVIPERデータセット上で,フレーム単位の計算モデルにより,最先端の計算結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-06-17T13:06:24Z)

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。