論文の概要: Deep and shallow data science for multi-scale optical neuroscience

• arxiv url: http://arxiv.org/abs/2402.08811v1
• Date: Tue, 13 Feb 2024 21:30:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-15 17:30:38.443848
• Title: Deep and shallow data science for multi-scale optical neuroscience
• Title（参考訳）: マルチスケール光神経科学のための深層および浅層データサイエンス
• Authors: Gal Mishne and Adam Charles
• Abstract要約: 生物学的な情報を抽出する必要性を満たす計算手法が開発されている。 これらのアルゴリズムは、例えば、最先端の機械学習を使用して、与えられたスケールの詳細を最大限に学習することができる。 ここでは,アルゴリズム設計における限界とトレードオフについて論じる。
• 参考スコア（独自算出の注目度）: 8.21292084298669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optical imaging of the brain has expanded dramatically in the past two decades. New optics, indicators, and experimental paradigms are now enabling in-vivo imaging from the synaptic to the cortex-wide scales. To match the resulting flood of data across scales, computational methods are continuously being developed to meet the need of extracting biologically relevant information. In this pursuit, challenges arise in some domains (e.g., SNR and resolution limits in micron-scale data) that require specialized algorithms. These algorithms can, for example, make use of state-of-the-art machine learning to maximally learn the details of a given scale to optimize the processing pipeline. In contrast, other methods, however, such as graph signal processing, seek to abstract away from some of the details that are scale-specific to provide solutions to specific sub-problems common across scales of neuroimaging. Here we discuss limitations and tradeoffs in algorithmic design with the goal of identifying how data quality and variability can hamper algorithm use and dissemination.
• Abstract（参考訳）: 過去20年間で、脳の光学的イメージングは劇的に拡大した。 新しい光学、指標、実験パラダイムにより、シナプスから大脳皮質全体へのインビボイメージングが可能になった。 スケールにわたるデータの洪水に合わせるため、生物学的に関係のある情報を抽出する必要性を満たす計算方法が継続的に開発されている。 この追求では、特定のアルゴリズムを必要とするいくつかの領域(例えば、SNRとマイクロスケールデータの解像度制限)で課題が発生する。 これらのアルゴリズムは、例えば最先端の機械学習を使用して、所定のスケールの詳細を最大限に学習し、処理パイプラインを最適化することができる。 対照的に、グラフ信号処理のような他の手法は、神経画像のスケールに共通する特定のサブプロブレムに対する解決策を提供するために、スケール固有の詳細の一部を抽象化しようとする。 本稿では,データ品質と可変性がアルゴリズムの利用や普及を阻害する可能性を明らかにすることを目的として,アルゴリズム設計の限界とトレードオフについて議論する。

関連論文リスト

• Neurovascular Segmentation in sOCT with Deep Learning and Synthetic Training Data [4.5276169699857505]
  本研究は, 連続断面光コヒーレンストモグラフィー画像における神経血管セグメンテーションのための合成エンジンについて述べる。 提案手法は,ラベル合成とラベル・ツー・イメージ変換の2段階からなる。 前者の有効性を,より現実的なトレーニングラベルの集合と比較し,後者を合成ノイズと人工物モデルのアブレーション研究により実証した。
  論文  参考訳（メタデータ） (2024-07-01T16:09:07Z)
• Enhance the Image: Super Resolution using Artificial Intelligence in MRI [10.00462384555522]
  本章では,MRIの空間分解能向上のためのディープラーニング技術の概要を紹介する。 深層学習に基づくMRI超解像の実現可能性と信頼性に関する課題と今後の展望について論じる。
  論文  参考訳（メタデータ） (2024-06-19T15:19:41Z)
• Leveraging Semi-Supervised Graph Learning for Enhanced Diabetic Retinopathy Detection [0.0]
  糖尿病網膜症(DR: Diabetic Retinopathy)は、早期発見と治療の急激な必要性を浮き彫りにしている。 機械学習(ML)技術の最近の進歩は、DR検出における将来性を示しているが、ラベル付きデータの可用性は、しばしばパフォーマンスを制限している。 本研究では,DR検出に適したSemi-Supervised Graph Learning SSGLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-02T04:42:08Z)
• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Deep learning-based super-resolution fluorescence microscopy on small datasets [20.349746411933495]
  ディープラーニングは、技術的障壁を減らし、回折制限画像から超解像を得る可能性を示している。 本稿では,小型データセットと超解像画像の訓練を成功させた畳み込みニューラルネットワークに基づく新しいアプローチを示す。 このモデルは、大規模なトレーニングデータセットの取得が困難なMRIやX線イメージングなどの他のバイオメディカルイメージングモードに適用することができます。
  論文  参考訳（メタデータ） (2021-03-07T03:17:47Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)

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。