Fugu-MT 論文翻訳(概要): MitoSeg: Mitochondria Segmentation Tool

論文の概要: MitoSeg: Mitochondria Segmentation Tool

arxiv url: http://arxiv.org/abs/2409.11974v1
Date: Wed, 18 Sep 2024 13:26:45 GMT
ステータス: 処理完了
システム内更新日: 2024-09-19 17:36:39.581218
Title: MitoSeg: Mitochondria Segmentation Tool
Title（参考訳）: MitoSeg: Mitochondriaセグメンテーションツール
Authors: Faris Serdar Taşel, Efe Çiftci,
Abstract要約: 最近の研究では、ミトコンドリアの物理的構造と神経変性疾患の関連性が示唆されている。ミトコンドリアと疾患の関係を調べるために、ミトコンドリアを画像から自動的に分離することが重要である。
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 studies suggest a potential link between the physical structure of mitochondria and neurodegenerative diseases. With advances in Electron Microscopy techniques, it has become possible to visualize the boundary and internal membrane structures of mitochondria in detail. It is crucial to automatically segment mitochondria from these images to investigate the relationship between mitochondria and diseases. In this paper, we present a software solution for mitochondrial segmentation, highlighting mitochondria boundaries in electron microscopy tomography images and generating corresponding 3D meshes.
Abstract（参考訳）: 最近の研究では、ミトコンドリアの物理的構造と神経変性疾患の関連性が示唆されている。電子顕微鏡技術の進歩により、ミトコンドリアの境界と内部膜構造を詳細に可視化することが可能になった。これらの画像からミトコンドリアを自動的に分離し、ミトコンドリアと疾患の関係を調べることが重要である。本稿では,ミトコンドリアセグメンテーションのためのソフトウェアソリューションを提案し,電子顕微鏡トモグラフィー画像のミトコンドリア境界を強調表示し,対応する3Dメッシュを生成する。

関連論文リスト

Tracing and segmentation of molecular patterns in 3-dimensional cryo-et/em density maps through algorithmic image processing and deep learning-based techniques [0.0]
論文はアクチンフィラメントを追跡する高度な計算技術の開発に焦点を当てています BundleTrac、Stereociliumで発見された束状アクチンフィラメントをトレースするSpagetti Tracer、アクチンネットワークでランダムに配向されたアクチンフィラメントをトレースするStruwwel Tracerの3つの新しい手法が開発されている。論文の第2の構成要素は、中分解能(5-10アングストローム)3次元低温電子顕微鏡におけるヘリスやベータシートなどのタンパク質二次構造の位置を決定する畳み込みニューラルネットワーク(CNN)に基づくセグメンテーションモデルの導入である。
論文参考訳（メタデータ） (2024-03-26T00:41:54Z)
Exploiting Hierarchical Interactions for Protein Surface Learning [52.10066114039307]
本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
論文参考訳（メタデータ） (2024-01-17T14:10:40Z)
3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
論文参考訳（メタデータ） (2023-03-21T17:58:49Z)
MiShape: 3D Shape Modelling of Mitochondria in Microscopy [65.7909757178576]
ミトコンドリアに先立ってMiShapeと呼ばれる形状を学習することでギャップを埋める手法を提案する。 MiShapeはミトコンドリア形状の暗黙的な表現を用いて学習された生成モデルである。 2次元蛍光画像または2次元スライスの小さな3次元スタックが与えられた3次元形状再構成におけるMiShapeの表現力とその有用性を示す。
論文参考訳（メタデータ） (2023-03-02T19:21:21Z)
X-Ray2EM: Uncertainty-Aware Cross-Modality Image Reconstruction from X-Ray to Electron Microscopy in Connectomics [55.6985304397137]
膜セグメンテーション品質を向上したEMライクな画像にX線画像を変換する不確実性を考慮した3D再構成モデルを提案する。これは、よりシンプルで、より高速で、より正確なX線ベースのコネクトロミクスパイプラインを開発する可能性を示している。
論文参考訳（メタデータ） (2023-03-02T00:52:41Z)
Semi-Supervised Segmentation of Mitochondria from Electron Microscopy Images Using Spatial Continuity [3.631638087834872]
ミトコンドリアの構造的・形態的・文脈的情報の空間的連続性を利用してミトコンドリアをセグメント化する半教師付き深層学習モデルを提案する。我々のモデルは、最先端の完全教師付きモデルと同じような性能を達成するが、アノテーション付きトレーニングデータの20%しか必要としない。
論文参考訳（メタデータ） (2022-06-06T06:52:19Z)
Contrastive Learning for Mitochondria Segmentation [42.800475494933146]
本稿では,ミトコンドリアのセグメンテーションを改善するために,より優れた特徴表現をハードケースから学習するための新しいコントラスト学習フレームワークを提案する。 We show the effective of our method on MitoEM dataset and as FIB-SEM dataset and showed better or on as the state-of-the-art results。
論文参考訳（メタデータ） (2021-09-25T13:15:26Z)
Disentangling semantic features of macromolecules in Cryo-Electron Tomography [7.804210995893708]
マクロ分子のセマンティックな特徴を明示的に切り離すことは、マクロ分子の下流解析を行う上で重要である。本稿では, 高分子の構造, 配向, シフトを明示的に切り離す3次元空間変動オートエンコーダを提案する。
論文参考訳（メタデータ） (2021-06-27T10:41:26Z)
Simulation-supervised deep learning for analysing organelles states and behaviour in living cells [9.606697185025988]
物理に基づく精密な顕微鏡データのモデリングが、教師あり学習のためのシミュレーショントレーニングデータセットを生成するための解決策であることを示す。 IoUスコアはミトコンドリアの2成分分画で91%と前代未聞の値を示した。
論文参考訳（メタデータ） (2020-08-26T19:53:46Z)
Learning Generative Models of Tissue Organization with Supervised GANs [46.569795520982325]
細胞と組織の空間的構造を理解するための重要なステップは、その組織を正確に反映した生成モデルを構築する能力である。本稿では,細胞膜とミトコンドリアの位置が濃密にアノテートされた電子顕微鏡(EM)画像の生成モデルの構築に焦点をあてる。本稿では,GAN(Generative Adversarial Networks)を用いて現実的な画像を生成する2段階のプロシージャを提案する。
論文参考訳（メタデータ） (2020-03-31T22:22:58Z)

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。