論文の概要: Geometric Framework for 3D Cell Segmentation Correction

• arxiv url: http://arxiv.org/abs/2502.01890v1
• Date: Mon, 03 Feb 2025 23:47:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:21:55.787044
• Title: Geometric Framework for 3D Cell Segmentation Correction
• Title（参考訳）: 3次元セル分割補正のための幾何学的枠組み
• Authors: Peter Chen, Bryan Chang, Olivia Annette Creasey, Julie Beth Sneddon, Yining Liu,
• Abstract要約: 3次元の細胞画像分割法は, 一般に非2次元と2次元のアプローチに分けられる。 2D結果の誤差はしばしば伝播し、最終3D結果の過小評価につながる。 本稿では,隣接層からの幾何情報に基づいて2次元分割結果を補正することにより,過分割に対処する解釈可能な幾何学的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 3.540684770290861
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D cellular image segmentation methods are commonly divided into non-2D-based and 2D-based approaches, the latter reconstructing 3D shapes from the segmentation results of 2D layers. However, errors in 2D results often propagate, leading to oversegmentations in the final 3D results. To tackle this issue, we introduce an interpretable geometric framework that addresses the oversegmentations by correcting the 2D segmentation results based on geometric information from adjacent layers. Leveraging both geometric (layer-to-layer, 2D) and topological (3D shape) features, we use binary classification to determine whether neighboring cells should be stitched. We develop a pre-trained classifier on public plant cell datasets and validate its performance on animal cell datasets, confirming its effectiveness in correcting oversegmentations under the transfer learning setting. Furthermore, we demonstrate that our framework can be extended to correcting oversegmentation on non-2D-based methods. A clear pipeline is provided for end-users to build the pre-trained model to any labeled dataset.
• Abstract（参考訳）: 3次元のセル画像分割法は, 一般に非2次元と2次元の2次元のアプローチに分けられ, 後者は2次元層の分割結果から3次元の形状を再構成する。 しかし、2D結果の誤差はしばしば伝播し、最終3D結果の過小評価に繋がる。 この問題に対処するために,隣接層からの幾何情報に基づいて2次元セグメント化結果を補正することにより,オーバーセグメンテーションに対処する解釈可能な幾何学的枠組みを導入する。 幾何学的特徴(層間2D)とトポロジカルな特徴(3D形状)を併用して、隣り合う細胞を縫合するかどうかを二分分類する。 そこで我々は,公立の植物細胞データセットを用いた事前学習型分類器を開発し,動物細胞データセットによる性能評価を行い,移動学習環境下での過小評価の正当性を確認した。 さらに,本フレームワークは,非2次元手法の過偏補正に拡張可能であることを実証した。 ラベル付きデータセットに事前トレーニングされたモデルを構築するために、エンドユーザーに明確なパイプラインが提供される。

関連論文リスト

• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [104.34751911174196]
  ShapeNetとModelNetを用いた大規模3DGSデータセットを構築した。 データセットのShapeSplatは、87のユニークなカテゴリから65Kのオブジェクトで構成されています。 textbftextitGaussian-MAEを導入し、ガウスパラメータからの表現学習の独特な利点を強調した。
  論文  参考訳（メタデータ） (2024-08-20T14:49:14Z)
• View-Consistent Hierarchical 3D Segmentation Using Ultrametric Feature Fields [52.08335264414515]
  我々は3次元シーンを表すニューラル・レージアンス・フィールド(NeRF)内の新しい特徴場を学習する。 本手法は、ビュー一貫性の多粒性2Dセグメンテーションを入力とし、3D一貫性のセグメンテーションの階層構造を出力として生成する。 提案手法と,多視点画像と多粒性セグメンテーションを用いた合成データセットのベースラインの評価を行い,精度と視点整合性を向上したことを示す。
  論文  参考訳（メタデータ） (2024-05-30T04:14:58Z)
• Large-Scale Multi-Hypotheses Cell Tracking Using Ultrametric Contours Maps [1.015920567871904]
  本稿では,分割選択手法による大規模3次元細胞追跡手法について述べる。 本手法は,細胞追跡課題から得られた3次元画像の最先端化を実現する。 われわれのフレームワークは柔軟で、市販のセルセグメンテーションモデルからのセグメンテーションをサポートしている。
  論文  参考訳（メタデータ） (2023-08-08T18:41:38Z)
• Dr. KID: Direct Remeshing and K-set Isometric Decomposition for Scalable Physicalization of Organic Shapes [5.385289130801911]
  KID(Dr. KID)は、ジャガイモ形有機モデルの物理化に等尺分解を用いるアルゴリズムである。 クラスタリングには、距離関数として定義される三角形間の類似性が必要である。 よりスムーズな結果を得るために、三角形の分割と曲率を意識したクラスタリングを用い、3Dプリンティングのために曲面の三角形パッチを生成する。
  論文  参考訳（メタデータ） (2023-04-06T08:56:18Z)
• Contour Context: Abstract Structural Distribution for 3D LiDAR Loop Detection and Metric Pose Estimation [31.968749056155467]
  本稿では,高精度な3DoF距離ポーズ推定を用いた簡易かつ効果的かつ効率的なトポロジカルループ閉包検出パイプラインを提案する。 我々は,3次元LiDAR点から投影されるBEV像を構造層分布として解釈する。 検索キーは、層状KD木でインデックスされたデータベースの検索を高速化するように設計されている。
  論文  参考訳（メタデータ） (2023-02-13T07:18:24Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Label Refinement Network from Synthetic Error Augmentation for Medical Image Segmentation [8.435559487504351]
  画像分割のための深部畳み込みニューラルネットワークはラベル構造を明示的に学習しない。 初期セグメンテーションからそのような誤りを補正する新しいラベル改善手法を提案する。
  論文  参考訳（メタデータ） (2022-09-14T00:25:32Z)
• MvDeCor: Multi-view Dense Correspondence Learning for Fine-grained 3D Segmentation [91.6658845016214]
  そこで本研究では,2次元領域における自己教師型手法を,微細な3次元形状分割作業に活用することを提案する。 複数のビューから3次元形状を描画し、コントラスト学習フレームワーク内に密接な対応学習タスクを設置する。 その結果、学習された2次元表現はビュー不変であり、幾何学的に一貫性がある。
  論文  参考訳（メタデータ） (2022-08-18T00:48:15Z)
• Curved Geometric Networks for Visual Anomaly Recognition [39.91252195360767]
  データ分布の根底にある性質を理解するために潜伏埋め込みを学ぶことは、曲率ゼロのユークリッド空間でしばしば定式化される。 本研究では,データ中の異常やアウト・オブ・ディストリビューション・オブジェクトを解析するための曲線空間の利点について検討する。
  論文  参考訳（メタデータ） (2022-08-02T01:15:39Z)
• Simultaneous Alignment and Surface Regression Using Hybrid 2D-3D Networks for 3D Coherent Layer Segmentation of Retina OCT Images [33.99874168018807]
  本研究では,ハイブリッド2D-3D畳み込みニューラルネットワーク(CNN)を用いた新しいフレームワークを提案し,OCTから連続した3次元網膜層表面を得る。 本フレームワークは, 層分割精度とクロスBスキャン3D連続性の両方の観点から, 最先端の2D手法よりも優れた結果が得られる。
  論文  参考訳（メタデータ） (2022-03-04T15:55:09Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception [122.53774221136193]
  運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。 自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。 本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための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） (2021-09-12T06:25:11Z)
• Boundary-Aware Geometric Encoding for Semantic Segmentation of Point Clouds [45.270215729464056]
  境界情報は2Dイメージセグメンテーションにおいて重要な役割を果たすが、通常は3Dポイントクラウドセグメンテーションでは無視される。 境界点を予測するための境界予測モジュール(BPM)を提案する。 予測された境界に基づいて、境界認識ジオメトリック。 GEMは、幾何学的情報をエンコードし、近隣の差別を伴う特徴を集約するように設計されている。
  論文  参考訳（メタデータ） (2021-01-07T05:38:19Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud [50.56461318879761]
  3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。 GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。 3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
  論文  参考訳（メタデータ） (2020-12-20T13:35:00Z)
• 3D Guided Weakly Supervised Semantic Segmentation [27.269847900950943]
  本稿では,スパース境界ボックスラベルを利用可能な3次元情報に組み込むことにより,弱教師付き2次元セマンティックセマンティックセマンティックセマンティクスモデルを提案する。 手動で2D-3Dセマンティックス(2D-3D-S)データセットのサブセットにバウンディングボックスをラベル付けし、2D-3D推論モジュールを導入し、正確なピクセルワイドセグメント提案マスクを生成する。
  論文  参考訳（メタデータ） (2020-12-01T03:34:15Z)
• Cylinder3D: An Effective 3D Framework for Driving-scene LiDAR Semantic Segmentation [87.54570024320354]
  大規模運転シーンのLiDAR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最先端の手法は、しばしば2D空間の点雲を投影して処理する。 3D-to-2Dプロジェクションの問題に取り組むための簡単な解決策は、3D表現を保ち、3D空間の点を処理することである。 我々は3次元シリンダー分割と3次元シリンダー畳み込みに基づくフレームワークをCylinder3Dとして開発し,3次元トポロジの関係と運転シーンの点雲の構造を利用する。
  論文  参考訳（メタデータ） (2020-08-04T13:56:19Z)
• On Path Integration of Grid Cells: Group Representation and Isotropic Scaling [135.0473739504851]
  格子セルによる経路積分の一般的な表現モデルの理論的解析を行う。 我々は、歯列脳の格子細胞の同様の性質を共有する六角形格子パターンを学習する。 学習したモデルは、正確な長距離経路積分を行うことができる。
  論文  参考訳（メタデータ） (2020-06-18T03:44:35Z)
• SeqXY2SeqZ: Structure Learning for 3D Shapes by Sequentially Predicting 1D Occupancy Segments From 2D Coordinates [61.04823927283092]
  本稿では,各2次元位置における関数の出力が内部の線分列である2次元関数を用いて3次元形状を表現することを提案する。 本研究では,SeqXY2SeqZと呼ばれるセック2Seqモデルを用いて,2つの任意の軸に沿った2次元座標列から3つの軸に沿った1次元位置の列への写像を学習する手法を提案する。 実験の結果,SeqXY2SeqZは広く使用されているベンチマークで最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-03-12T00:24:36Z)

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。