論文の概要: MicroSSIM: Improved Structural Similarity for Comparing Microscopy Data
- arxiv url: http://arxiv.org/abs/2408.08747v1
- Date: Fri, 16 Aug 2024 13:49:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 15:24:50.758125
- Title: MicroSSIM: Improved Structural Similarity for Comparing Microscopy Data
- Title（参考訳）: MicroSSIM:顕微鏡データの比較における構造類似性の改善
- Authors: Ashesh Ashesh, Joran Deschamps, Florian Jug,
- Abstract要約: 構造的類似性(SSIM)は、この分野で最もよく使われる尺度の1つである。
SSIMの派生版であるmicroSSIMを導入し、上記の問題を克服する。
教師なし復調と教師なし復調を伴う共同画像分割という2つのタスクにおけるmicroSSIMの有用性を示す。
- 参考スコア（独自算出の注目度）: 6.550912532749276
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Microscopy is routinely used to image biological structures of interest. Due to imaging constraints, acquired images are typically low-SNR and contain noise. Over the last few years, regression-based tasks like unsupervised denoising and splitting have found utility in working with such noisy micrographs. For evaluation, Structural Similarity (SSIM) is one of the most popular measures used in the field. For such tasks, the best evaluation would be when both low-SNR noisy images and corresponding high-SNR clean images are obtained directly from a microscope. However, due to the following three peculiar properties of the microscopy data, we observe that SSIM is not well suited to this data regime: (a) high-SNR micrographs have higher intensity pixels as compared to low SNR micrographs, (b) high-SNR micrographs have higher intensity pixels than found in natural images, images for which SSIM was developed, and (c) a digitally configurable offset is added by the detector present inside the microscope. We show that SSIM components behave unexpectedly when the prediction generated from low-SNR input is compared with the corresponding high-SNR data. We explain this behavior by introducing the phenomenon of saturation, where the value of SSIM components becomes less sensitive to (dis)similarity between the images. We introduce microSSIM, a variant of SSIM, which overcomes the above-discussed issues. We justify the soundness and utility of microSSIM using theoretical and empirical arguments and show the utility of microSSIM on two tasks: unsupervised denoising and joint image splitting with unsupervised denoising. Since our formulation can be applied to a broad family of SSIM-based measures, we also introduce MicroMS3IM, a microscopy-specific variation of MS-SSIM. The source code and python package is available at https://github.com/juglab/MicroSSIM.
- Abstract（参考訳）: 顕微鏡は、生物の興味ある構造を画像化するために日常的に用いられる。
画像の制約のため、取得した画像は通常低SNRでノイズを含む。
ここ数年、教師なしの denoising や splitting のような回帰ベースのタスクは、このようなノイズの多いマイクログラフを扱うのに有用であることがわかった。
評価において、SSIM(Structure similarity)はこの分野で最もよく使われる尺度の1つである。
このような課題に対して、顕微鏡から直接低SNRノイズ像とそれに対応する高SNRクリーン像を得る場合が最もよい評価となる。
しかし、以下の3つの顕微鏡データの特徴から、SSIMはこのデータ構造に適していないことが分かる。
(a)高SNRマイクログラフは低SNRマイクログラフに比べて高強度画素を有する。
(b)高SNRマイクログラフは、自然画像、SSIMが開発された画像、及び、より高強度の画素を有する。
(c)顕微鏡内に存在する検出器によってデジタル構成可能なオフセットを付加する。
我々は,低SNR入力から発生する予測を対応する高SNRデータと比較した場合,SSIM成分が予期せず振る舞うことを示す。
本稿では,SSIM成分の値が画像間の相似性に敏感になるような飽和現象を導入することで,この挙動を説明する。
SSIMの派生版であるmicroSSIMを導入し、上記の問題を克服する。
理論的および経験的議論を用いてマイクロSSIMの音質と有用性を正当化し, 教師なし復調と教師なし復調を伴う共同画像分割という2つの課題におけるマイクロSSIMの有用性を示す。
我々の定式化は、SSIMに基づく幅広い尺度に応用できるので、顕微鏡特有のMS-SSIMの変種であるMicroMS3IMも導入する。
ソースコードとpythonパッケージはhttps://github.com/juglab/MicroSSIMで入手できる。
関連論文リスト
- CSIM: A Copula-based similarity index sensitive to local changes for Image quality assessment [2.3874115898130865]
画像類似度メトリクスは、画像処理、コンピュータビジョン、機械学習で使用されるため、コンピュータビジョンアプリケーションにおいて重要な役割を果たす。
PSNR、MSE、SSIM、ISSM、FSIMといった既存のメトリクスは、画像の小さな変更に対する速度、複雑さ、感度のいずれにおいても制限に直面していることが多い。
本稿では,画像の微妙な変化に敏感でありながらリアルタイムに組み合わせた新しい画像類似度指標CSIMについて検討する。
論文 参考訳（メタデータ） (2024-10-02T10:46:05Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。
Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
論文 参考訳（メタデータ） (2023-07-12T00:01:00Z) - Hierarchical Transformer for Survival Prediction Using Multimodality
Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。
本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。
より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文 参考訳（メタデータ） (2022-11-29T23:47:56Z) - Task-Based Assessment for Neural Networks: Evaluating Undersampled MRI
Reconstructions based on Human Observer Signal Detection [45.82374977939355]
正規化ルート平均二乗誤差(NRMSE)や構造類似度(SSIM)などの画像品質を評価するための一般的な指標は、画像の微妙な特徴の影響を平均化するグローバルな指標である。
我々は,特定のタスクに微妙な信号を組み込んだ画像品質測定を用いて,アンダーサンプの効果を局所的に評価する画像品質評価を行った。
論文 参考訳（メタデータ） (2022-10-21T16:39:04Z) - Differentiable Electron Microscopy Simulation: Methods and Applications
for Visualization [40.8023670606058]
そこで本研究では,微視的形態で原子モデルを記述することのできる新しい顕微鏡シミュレーションシステムを提案する。
このシステムはスケーラブルで、数十のウイルス粒子の電子顕微鏡シミュレーションを表現でき、以前の方法よりも高速に画像を合成できる。
論文 参考訳（メタデータ） (2022-05-08T12:39:04Z) - Spatio-temporal Vision Transformer for Super-resolution Microscopy [2.8348950186890467]
構造照明顕微鏡(Structured illumination microscopy, SIM)は、光学的超解像技術であり、回折限界を超えるライブセルイメージングを可能にする。
シフトした3次元ウィンドウマルチヘッドアテンションを用いたトランスフォーマーベースの新しい再構成手法 VSR-SIM を提案する。
SIMの時間分解能を9倍に向上させるローリングSIM画像と呼ばれるVSR-SIMのユースケースを実演する。
論文 参考訳（メタデータ） (2022-02-28T19:01:10Z) - DSSIM: a structural similarity index for floating-point data [68.8204255655161]
我々は、データSSIM(DSSIM)と呼ばれる浮動小数点データに直接適用可能な、人気のあるSSIMの代替案を提案する。
DSSIMは,大量のシミュレーションデータに対する圧縮損失による差分評価の文脈において有用性を示す一方で,シミュレーションや画像データを含む他の多くのアプリケーションにおいて有用であることを示す。
論文 参考訳（メタデータ） (2022-02-05T19:18:33Z) - Video-based Facial Micro-Expression Analysis: A Survey of Datasets,
Features and Algorithms [52.58031087639394]
マイクロ表現は不随意かつ過渡的な表情である。
嘘検出や犯罪検出など、幅広い応用において重要な情報を提供することができる。
マイクロ表現は過渡的で低強度であるため、検出と認識は困難であり、専門家の経験に大きく依存する。
論文 参考訳（メタデータ） (2022-01-30T05:14:13Z) - Fast and Light-Weight Network for Single Frame Structured Illumination
Microscopy Super-Resolution [22.953512091536663]
深層学習に基づく単一フレーム構造照明顕微鏡(SF-SIM)を提案する。
提案手法は, 従来のSIM法に比べてほぼ14倍高速である。
論文 参考訳（メタデータ） (2021-11-17T13:39:41Z) - W2S: Microscopy Data with Joint Denoising and Super-Resolution for
Widefield to SIM Mapping [17.317001872212543]
蛍光顕微鏡ライブセルイメージングでは、信号対雑音比と空間分解能の間に重要なトレードオフがある。
クリーンな高解像度(HR)画像を得るには、構造化照明顕微鏡(SIM)のような顕微鏡技術を使うか、デノナイジングと超高解像度(SR)アルゴリズムを適用することができる。
現状のSRネットワークはノイズの多い入力に対して非常に低性能であることを示す。
論文 参考訳（メタデータ） (2020-03-12T18:15:09Z)
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。