Fugu-MT 論文翻訳(概要): Geometric Framework for Cell Oversegmentation

論文の概要: Geometric Framework for Cell Oversegmentation

arxiv url: http://arxiv.org/abs/2502.01890v2
Date: Sat, 17 May 2025 02:39:53 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-20 14:57:10.42194
Title: Geometric Framework for Cell Oversegmentation
Title（参考訳）: 細胞過剰化のための幾何学的枠組み
Authors: Peter Chen, Bryan Chang, Olivia Annette Creasey, Julie Beth Sneddon, Zev Gartner, Yining Liu,
Abstract要約: 3D細胞セグメンテーション法は、単一の細胞を誤って複数の断片に分割する横行現象によってしばしば妨げられる。これは最終的なセグメンテーションの品質を低下させ、解決するのが非常に難しいことで知られている。本稿では,これらの誤りを特定し,修正するための幾何学的枠組みを提案する。また、2次元測地における変化を定量化するために、新しい計量 emphGeo-Wasserstein divergence を導入する。
参考スコア（独自算出の注目度）: 3.3414797127882374
License: http://creativecommons.org/licenses/by/4.0/
Abstract: 3D cell segmentation methods are often hindered by \emph{oversegmentation}, where a single cell is incorrectly split into multiple fragments. This degrades the final segmentation quality and is notoriously difficult to resolve, as oversegmentation errors often resemble \emph{natural gaps} between adjacent cells. Our work makes two key contributions. First, for 3D cell segmentation, we are the first work to formulate oversegmentation as a concrete problem and propose a geometric framework to identify and correct these errors. Our approach builds a pre-trained classifier using both 2D geometric and 3D topological features extracted from flawed 3D segmentation results. Second, we introduce a novel metric, \emph{Geo-Wasserstein} divergence, to quantify changes in 2D geometries. This captures the evolving trends in cell mask shape changes in a geometry-aware manner. We validate our method through extensive experiments on in-domain plant datasets, including both synthesized and real cases, as well as on out-of-domain animal datasets to demonstrate transfer learning performance. An ablation study further highlights the contribution of the \emph{Geo-Wasserstein} divergence. A clear pipeline is provided for end-users to build pre-trained models to any labeled dataset.
Abstract（参考訳）: 3D細胞セグメンテーション法は、単一の細胞を誤って複数の断片に分割した \emph{oversegmentation} によってしばしば妨げられる。これは最終的なセグメンテーションの品質を低下させ、オーバーセグメンテーションエラーが隣の細胞間での 'emph{natural gaps' によく似ているため、解決が難しいことで知られている。私たちの仕事は2つの重要な貢献をします。まず, 3次元細胞セグメンテーションにおいて, オーバーセグメンテーションを具体的問題として定式化し, これらの誤りを識別・修正するための幾何学的枠組みを提案する。提案手法は, 3次元分割結果から抽出した2次元幾何学的特徴と3次元トポロジ的特徴を用いて, 事前学習型分類器を構築する。第二に、2次元幾何学における変化を定量化するために、新しい計量である 'emph{Geo-Wasserstein} divergence を導入する。これは、幾何学的な方法でのセルマスクの形状変化の進化傾向を捉えている。本手法は, 実例と実例の両方を含むドメイン内植物データセットと, ドメイン外動物データセットを用いて, 転写学習性能の実証実験により検証した。アブレーション研究は、さらに、 \emph{Geo-Wasserstein} の発散の寄与を強調している。エンドユーザーには、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の明確なパイプラインが提供される。

関連論文リスト

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)
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)
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)
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)
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)
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。