論文の概要: Prior-guided Diffusion Model for Cell Segmentation in Quantitative Phase Imaging
- arxiv url: http://arxiv.org/abs/2405.06175v1
- Date: Fri, 10 May 2024 01:40:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-13 16:57:10.602981
- Title: Prior-guided Diffusion Model for Cell Segmentation in Quantitative Phase Imaging
- Title（参考訳）: 定量的位相イメージングにおける細胞分離の事前誘導拡散モデル
- Authors: Zhuchen Shao, Mark A. Anastasio, Hua Li,
- Abstract要約: 本研究は、先行誘導されたコンテンツ情報を起動ノイズに導入することにより、DMに基づくセグメンテーションを強化することを目的とする。
セルセグメンテーションのための様々なQPIデータセットの大規模な実験により,提案手法は単一サンプリングのみで優れた性能を示した。
- 参考スコア（独自算出の注目度）: 8.502954096237529
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Purpose: Quantitative phase imaging (QPI) is a label-free technique that provides high-contrast images of tissues and cells without the use of chemicals or dyes. Accurate semantic segmentation of cells in QPI is essential for various biomedical applications. While DM-based segmentation has demonstrated promising results, the requirement for multiple sampling steps reduces efficiency. This study aims to enhance DM-based segmentation by introducing prior-guided content information into the starting noise, thereby minimizing inefficiencies associated with multiple sampling. Approach: A prior-guided mechanism is introduced into DM-based segmentation, replacing randomly sampled starting noise with noise informed by content information. This mechanism utilizes another trained DM and DDIM inversion to incorporate content information from the to-be-segmented images into the starting noise. An evaluation method is also proposed to assess the quality of the starting noise, considering both content and distribution information. Results: Extensive experiments on various QPI datasets for cell segmentation showed that the proposed method achieved superior performance in DM-based segmentation with only a single sampling. Ablation studies and visual analysis further highlighted the significance of content priors in DM-based segmentation. Conclusion: The proposed method effectively leverages prior content information to improve DM-based segmentation, providing accurate results while reducing the need for multiple samplings. The findings emphasize the importance of integrating content priors into DM-based segmentation methods for optimal performance.
- Abstract（参考訳）: 目的: 定量位相イメージング(QPI)は、化学物質や染料を使わずに、組織や細胞の高コントラスト画像を提供するラベルフリーの手法である。
QPIにおける細胞の正確なセグメンテーションは、様々な医学的応用に不可欠である。
DMに基づくセグメンテーションは有望な結果を示したが、複数のサンプリングステップの要求は効率を低下させる。
本研究の目的は、先行誘導されたコンテンツ情報を起動ノイズに導入することにより、DMに基づくセグメンテーションを強化し、多重サンプリングに伴う非効率を最小化することである。
アプローチ: 事前誘導機構をDMベースセグメンテーションに導入し, ランダムにサンプリングしたスタートノイズをコンテンツ情報によって通知されるノイズに置き換える。
このメカニズムは、トレーニング済みのDMとDDIMのインバージョンを利用して、被写体画像からのコンテンツ情報を起動ノイズに組み込む。
また,コンテンツ情報と配信情報の両方を考慮した開始音質の評価手法も提案した。
結果: 細胞セグメンテーションのための様々なQPIデータセットの大規模な実験により, 提案手法は単一サンプリングのみで, DMベースのセグメンテーションにおいて優れた性能を示した。
アブレーション研究と視覚分析は、DMベースのセグメンテーションにおけるコンテンツ先行の重要性をさらに強調した。
結論: 提案手法は, 従来のコンテンツ情報を利用して, DMに基づくセグメンテーションを効果的に改善し, 複数のサンプリングの必要性を低減しつつ, 正確な結果を提供する。
本研究は,コンテンツ先行をDMベースのセグメンテーション手法に統合することの重要性を強調した。
関連論文リスト
- Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳（メタデータ） (2023-10-06T10:40:46Z) - MLN-net: A multi-source medical image segmentation method for clustered
microcalcifications using multiple layer normalization [8.969596531778121]
本稿では,MLN-netという新しいフレームワークを提案する。
本稿では,異なる領域のクラスタ化マイクロ石灰化セグメンテーションにおけるMLN-netの有効性を検証した。
論文 参考訳（メタデータ） (2023-09-06T05:56:30Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous
Labels [63.415444378608214]
提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。
3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
論文 参考訳（メタデータ） (2023-08-07T14:16:52Z) - Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in
Musculoskeletal Segmentation of Lower Extremities [0.9287179270753105]
本研究では,密度と多様性の両基準を統合したハイブリッドな表現強化サンプリング戦略を提案する。
MRIとCT画像の2つの下肢(LE)データセットで実験を行った。
論文 参考訳（メタデータ） (2023-07-26T06:52:29Z) - Correlation-Aware Mutual Learning for Semi-supervised Medical Image
Segmentation [5.045813144375637]
既存の半教師付きセグメンテーション手法の多くは、ラベルのないデータから情報を取り出すことのみに焦点を当てている。
本稿では,ラベル付きデータを利用してラベル付きデータから情報を抽出する相関学習フレームワークを提案する。
提案手法は,CMA(Cross-sample Mutual Attention Module)とOCC(Omni-Correlation Consistency Module)の2つのモジュールを組み込んだ相互学習戦略に基づいている。
論文 参考訳（メタデータ） (2023-07-12T17:20:05Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - Deep Learning based Multi-modal Computing with Feature Disentanglement
for MRI Image Synthesis [8.363448006582065]
本稿では,MRI合成のための深層学習に基づくマルチモーダル計算モデルを提案する。
提案手法は,各入力モダリティを,共有情報と特定の情報を持つモダリティ固有空間で分割する。
テストフェーズにおける目標モダリティの特定情報の欠如に対処するために、局所適応融合(laf)モジュールを採用してモダリティライクな擬似ターゲットを生成する。
論文 参考訳（メタデータ） (2021-05-06T17:22:22Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z) - Capsules for Biomedical Image Segmentation [4.239450660945214]
我々は,SegCapsと呼ばれるディープエンコーダ・デコーダスタイルのネットワークを構築するために,デコンボリューショナルカプセルの概念を提案する。
提案された畳み込みデコンボリューションカプセルネットワークであるSegCapsは、一般的なセグメンテーションネットワークのパラメータの一部を使用しながら、最先端の結果を示す。
論文 参考訳（メタデータ） (2020-04-09T03:01:31Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。