論文の概要: Efficient Connectivity-Preserving Instance Segmentation with Supervoxel-Based Loss Function

• arxiv url: http://arxiv.org/abs/2501.01022v1
• Date: Thu, 02 Jan 2025 02:49:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:12:34.017638
• Title: Efficient Connectivity-Preserving Instance Segmentation with Supervoxel-Based Loss Function
• Title（参考訳）: 超voxel-based Loss関数を用いた高効率接続性保存インスタンスセグメンテーション
• Authors: Anna Grim, Jayaram Chandrashekar, Uygar Sumbul,
• Abstract要約: 計算オーバーヘッドを最小限に抑えたトポロジ対応ニューラルネットワークセグメンテーション法を提案する。 マウス脳の3次元光顕微鏡画像の公開データセット上で,その効果を実証する。
• 参考スコア（独自算出の注目度）: 2.501693072047969
• License:
• Abstract: Reconstructing the intricate local morphology of neurons and their long-range projecting axons can address many connectivity related questions in neuroscience. The main bottleneck in connectomics pipelines is correcting topological errors, as multiple entangled neuronal arbors is a challenging instance segmentation problem. More broadly, segmentation of curvilinear, filamentous structures continues to pose significant challenges. To address this problem, we extend the notion of simple points from digital topology to connected sets of voxels (i.e. supervoxels) and propose a topology-aware neural network segmentation method with minimal computational overhead. We demonstrate its effectiveness on a new public dataset of 3-d light microscopy images of mouse brains, along with the benchmark datasets DRIVE, ISBI12, and CrackTree.
• Abstract（参考訳）: 神経細胞の複雑な局所形態と長距離射影軸索の再構成は、神経科学における多くの接続に関する問題に対処することができる。 コネクトロミクスパイプラインの主なボトルネックは、複数の絡み合った神経細胞のアーバが困難なインスタンスセグメンテーション問題であるため、トポロジカルエラーの修正である。 より広い範囲で、カービリナーでフィラメントのある構造の分断は、大きな課題を呈し続けている。 この問題を解決するために、デジタルトポロジから連結されたボクセル(スーパーボクセル)への単純な点の概念を拡張し、計算オーバーヘッドを最小限に抑えたトポロジ対応ニューラルネットワークセグメンテーション法を提案する。 我々は,マウス脳の3次元光顕微鏡画像と,DRIVE,ISBI12,CrackTreeのベンチマークデータを用いて,その有効性を示す。

関連論文リスト

• Sequencing the Neurome: Towards Scalable Exact Parameter Reconstruction of Black-Box Neural Networks [7.0710630443004705]
  クエリアクセスのみでニューラルネットワークの正確なパラメータを推測することはNP-Hardの問題である。 本稿では,最大情報化サンプルを生成し,非線形関係を効率的に解き放つ新しいクエリ生成アルゴリズムを提案する。 本稿では,150万以上のパラメータを含む隠れネットワークを再構築し,最大パラメータ差が0.0001未満の7層のうち,最大かつ最も深い再構成を行った。
  論文  参考訳（メタデータ） (2024-09-27T21:02:04Z)
• FISBe: A real-world benchmark dataset for instance segmentation of long-range thin filamentous structures [4.9246627979592725]
  神経系の体積光顕微鏡画像におけるニューロンのセグメンテーションは、神経科学における画期的な研究を可能にする。 しかし、マルチニューロン光顕微鏡のデータは、インスタンスセグメンテーションのタスクにとって非常に難しい特性を示している。 私たちはFlyLight Instance Benchmark(FISBe)データセットをリリースしました。
  論文  参考訳（メタデータ） (2024-03-29T19:51:34Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• NexToU: Efficient Topology-Aware U-Net for Medical Image Segmentation [3.8336080345323227]
  CNNとTransformerの派生型は、主要な医療画像セグメンテーションバックボーンとして登場した。 医用画像分割のための新しいハイブリッドアーキテクチャであるNexToUを提案する。 我々の手法は、他の最先端(SOTA)アーキテクチャよりも一貫して優れています。
  論文  参考訳（メタデータ） (2023-05-25T10:18:57Z)
• Single Neuron Segmentation using Graph-based Global Reasoning with Auxiliary Skeleton Loss from 3D Optical Microscope Images [30.539098538610013]
  局所的出現とグローバルジオメトリ特性を共同で検討し,エンドツーエンドのセグメンテーションネットワークを提案する。 The evaluation results on the Janelia dataset from the BigNeuron project showed that our proposed method is over the other algorithm in performance。
  論文  参考訳（メタデータ） (2021-01-22T01:27:14Z)
• Topological obstructions in neural networks learning [67.8848058842671]
  損失勾配関数フローのグローバル特性について検討する。 損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
  論文  参考訳（メタデータ） (2020-12-31T18:53:25Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
  中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。 理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。 我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
  論文  参考訳（メタデータ） (2020-03-16T16:27:49Z)
• DVNet: A Memory-Efficient Three-Dimensional CNN for Large-Scale Neurovascular Reconstruction [1.9199289015460215]
  画素単位のセマンティックセマンティックセグメンテーションのための,完全畳み込み,深層化,密結合型エンコーダデコーダを提案する。 提案ネットワークは,オープンソースベンチマークに適用したセマンティックセグメンテーション問題に対して,優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-02-04T22:39:58Z)

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。

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。