論文の概要: Denoising Diffusion Probabilistic Models for Image Inpainting of Cell Distributions in the Human Brain

• arxiv url: http://arxiv.org/abs/2311.16821v1
• Date: Tue, 28 Nov 2023 14:34:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-29 18:20:18.724226
• Title: Denoising Diffusion Probabilistic Models for Image Inpainting of Cell Distributions in the Human Brain
• Title（参考訳）: denoising diffusion probabilistic models for image inpainting of cell distributions in the human brain (特集:バイオサイバネティックスとバイオサイバネティックス)
• Authors: Jan-Oliver Kropp, Christian Schiffer, Katrin Amunts, Timo Dickscheid
• Abstract要約: そこで本研究では,細胞-体間染色部の光顕微鏡スキャンにより学習した拡散確率モデル(DDPM)を提案する。 訓練したDDPMは,この目的のために非常にリアルな画像情報を生成でき,可塑性細胞統計と細胞構造パターンを生成できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in imaging and high-performance computing have made it possible to image the entire human brain at the cellular level. This is the basis to study the multi-scale architecture of the brain regarding its subdivision into brain areas and nuclei, cortical layers, columns, and cell clusters down to single cell morphology Methods for brain mapping and cell segmentation exploit such images to enable rapid and automated analysis of cytoarchitecture and cell distribution in complete series of histological sections. However, the presence of inevitable processing artifacts in the image data caused by missing sections, tears in the tissue, or staining variations remains the primary reason for gaps in the resulting image data. To this end we aim to provide a model that can fill in missing information in a reliable way, following the true cell distribution at different scales. Inspired by the recent success in image generation, we propose a denoising diffusion probabilistic model (DDPM), trained on light-microscopic scans of cell-body stained sections. We extend this model with the RePaint method to impute missing or replace corrupted image data. We show that our trained DDPM is able to generate highly realistic image information for this purpose, generating plausible cell statistics and cytoarchitectonic patterns. We validate its outputs using two established downstream task models trained on the same data.
• Abstract（参考訳）: 近年のイメージングと高性能コンピューティングの進歩により、ヒトの脳全体を細胞レベルで撮影することが可能になった。 これは、脳の領域、核、皮質層、柱、細胞クラスターへの分割に関する脳のマルチスケールアーキテクチャの研究の基礎であり、脳のマッピングと細胞分節化のための手法は、そのような画像を利用して、完全な組織学的断面における細胞構造と細胞分布の迅速かつ自動解析を可能にする。 しかし, 画像データの欠落, 組織の裂け目, 染色変化などによる画像データに必然的な処理アーティファクトが存在することが, 画像データのギャップの主な原因である。 この目的は,異なるスケールでの真の細胞分布に従って,行方不明情報を信頼性の高い方法で埋めることのできるモデルを提供することである。 近年の画像生成の成功に触発されて, 細胞体染色片の光顕微鏡走査を訓練したデノイジン拡散確率モデル(ddpm)を提案する。 我々は、このモデルをrepaintメソッドで拡張し、破損した画像データを挿入または置換する。 訓練したDDPMは,この目的のために非常にリアルな画像情報を生成し,可塑性細胞統計と細胞構造パターンを生成する。 同じデータに基づいてトレーニングされた2つの下流タスクモデルを用いて、その出力を検証する。

関連論文リスト

• Interpretable Embeddings for Segmentation-Free Single-Cell Analysis in Multiplex Imaging [1.8687965482996822]
  多重イメージング(MI)は、複数の生物学的マーカーを、細胞内解像度で別々のイメージングチャネルで同時に可視化することを可能にする。 本稿では,グループ化畳み込みを利用して各画像チャンネルから解釈可能な埋め込み特徴を学習するセグメンテーションフリーなディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-11-02T11:21:33Z)
• Mask-guided cross-image attention for zero-shot in-silico histopathologic image generation with a diffusion model [0.10910416614141322]
  拡散モデルは、シリコン内画像を生成する最先端のソリューションである。 自然画像の出現伝達拡散モデルが設計されている。 計算病理学、特に腫瘍学では、画像内のどのオブジェクトを前景と背景に分類すべきかを簡単に定義することはできない。 我々は,クラス固有のAdaIN特徴量マッチングを交互に行うために,外観伝達指導を変更することで,拡散安定画像への外観伝達モデルの適用性に寄与する。
  論文  参考訳（メタデータ） (2024-07-16T12:36:26Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• DIRE for Diffusion-Generated Image Detection [128.95822613047298]
  拡散再構成誤り(DIRE)という新しい表現を提案する。 DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。 DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
  論文  参考訳（メタデータ） (2023-03-16T13:15:03Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• Enforcing Morphological Information in Fully Convolutional Networks to Improve Cell Instance Segmentation in Fluorescence Microscopy Images [1.408123603417833]
  本稿では,よく知られたU-Netアーキテクチャに基づく新しいセルインスタンス分割手法を提案する。 深部距離変換器(DDT)がバックボーンモデルとして機能する。 その結果,従来のU-Netアーキテクチャよりも性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-06-10T15:54:38Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Pixel precise unsupervised detection of viral particle proliferation in cellular imaging data [0.0]
  宿主細胞単層膜におけるウイルス粒子の増殖を示す細胞イメージングデータを用いて,コンピュータ生成画像を用いた。 本研究では、死細胞または部分感染細胞を表す黒または灰色の単一ピクセルにおいて、画像間での1対1の増加と、生きた細胞に対する1対1の白色ピクセルコーディングの1対1の増加による仮説的再開により、ウイルス粒子の経時的増加をシミュレートする。 160のモデル画像のSOM-QEによる教師なし分類は、それぞれ300万画素以上あり、統計的に信頼性が高く、正確な画素と高速な分類モデルを提供する。
  論文  参考訳（メタデータ） (2020-11-10T16:06:03Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。