論文の概要: Adaptive Attention Residual U-Net for curvilinear structure segmentation in fluorescence microscopy and biomedical images

• arxiv url: http://arxiv.org/abs/2507.07800v1
• Date: Thu, 10 Jul 2025 14:26:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.441358
• Title: Adaptive Attention Residual U-Net for curvilinear structure segmentation in fluorescence microscopy and biomedical images
• Title（参考訳）: 蛍光顕微鏡およびバイオメディカル画像におけるカービリン構造セグメンテーションのための適応的注意残差U-Net
• Authors: Achraf Ait Laydi, Louis Cueff, Mewen Crespo, Yousef El Mourabit, Hélène Bouvrais,
• Abstract要約: 蛍光標識した微小管の合成画像数百枚からなるデータセットを細胞内に生成する。 これらのデータセットは正確にアノテートされ、リアルなノイズを含む実際の顕微鏡画像に忠実に模倣される。 第2のデータセットは、セグメンテーションを複雑にするフィラメントに沿って様々な蛍光強度をシミュレートする追加の課題を示す。 本稿では,新しいアーキテクチャであるAdaptive Squeeze-and-Excitation Residual U-Netを開発する。
• 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: Segmenting curvilinear structures in fluorescence microscopy remains a challenging task, particularly under noisy conditions and in dense filament networks commonly seen in vivo. To address this, we created two original datasets consisting of hundreds of synthetic images of fluorescently labelled microtubules within cells. These datasets are precisely annotated and closely mimic real microscopy images, including realistic noise. The second dataset presents an additional challenge, by simulating varying fluorescence intensities along filaments that complicate segmentation. While deep learning has shown strong potential in biomedical image analysis, its performance often declines in noisy or low-contrast conditions. To overcome this limitation, we developed a novel advanced architecture: the Adaptive Squeeze-and-Excitation Residual U-Net (ASE_Res_UNet). This model enhanced the standard U-Net by integrating residual blocks in the encoder and adaptive SE attention mechanisms in the decoder. Through ablation studies and comprehensive visual and quantitative evaluations, ASE_Res_UNet consistently outperformed its variants, namely standard U-Net, ASE_UNet and Res_UNet architectures. These improvements, particularly in noise resilience and detecting fine, low-intensity structures, were largely attributed to the adaptive SE attention module that we created. We further benchmarked ASE_Res_UNet against various state-of-the-art models, and found it achieved superior performance on our most challenging dataset. Finally, the model also generalized well to real microscopy images of stained microtubules as well as to other curvilinear structures. Indeed, it successfully segmented retinal blood vessels and nerves in noisy or low-contrast biomedical images, demonstrating its strong potential for applications in disease diagnosis and treatment.
• Abstract（参考訳）: 蛍光顕微鏡でカービリナー構造を分離することは、特にノイズ条件下では難しい課題であり、生体内でよく見られる密度のフィラメントネットワークでは難しい。 そこで我々は、蛍光標識した微小管の合成画像数百枚からなる2つのオリジナルデータセットを細胞内に作成した。 これらのデータセットは正確にアノテートされ、リアルなノイズを含む実際の顕微鏡画像に忠実に模倣される。 第2のデータセットは、セグメンテーションを複雑にするフィラメントに沿って様々な蛍光強度をシミュレートすることで、さらなる課題を示す。 深層学習は生体画像解析において強い可能性を示しているが、その性能はノイズや低コントラスト条件で低下することが多い。 この制限を克服するため、我々はAdaptive Squeeze-and-Excitation Residual U-Net (ASE_Res_UNet) という新しい高度なアーキテクチャを開発した。 このモデルは、エンコーダの残差ブロックとデコーダのアダプティブSEアテンション機構を統合することで、標準U-Netを強化した。 アブレーション研究と包括的視覚的および定量的評価により、ASE_Res_UNetは標準U-Net、ASE_UNet、Res_UNetアーキテクチャの変種を一貫して上回った。 これらの改良、特に耐雑音性や微細で低強度な構造の検出は、私たちが作成した適応SEアテンションモジュールに大きく影響している。 さらに、ASE_Res_UNetを様々な最先端モデルに対してベンチマークし、最も難しいデータセットで優れたパフォーマンスを実現しました。 最後に、このモデルは、染色された微小管の実際の顕微鏡画像や、他のキュビリニア構造にもよく一般化された。 実際、ノイズや低コントラストのバイオメディカル画像において網膜血管と神経の分画に成功し、疾患の診断や治療への応用に強い可能性を示した。

関連論文リスト

• Enhanced Confocal Laser Scanning Microscopy with Adaptive Physics Informed Deep Autoencoders [0.0]
  共焦点レーザー走査顕微鏡の限界に対処する物理インフォームド・ディープラーニング・フレームワークを提案する。 このモデルは、畳み込み層と転置畳み込み層を用いて、ノイズの多い入力から高忠実度画像を再構成する。
  論文  参考訳（メタデータ） (2025-01-24T18:32:34Z)
• Enhancing Fluorescence Lifetime Parameter Estimation Accuracy with Differential Transformer Based Deep Learning Model Incorporating Pixelwise Instrument Response Function [0.3441582801949978]
  蛍光ライフタイムイメージング(FLI)は、組織微小環境に関するユニークな情報を提供する。 近年のディープラーニングの進歩により、蛍光寿命パラメーターの推定が改善されている。 本稿では,実験的な光子時間ヒストグラムとともに,計装応答関数(IRF)を付加入力として統合した新しいDLアーキテクチャであるMFliNetを提案する。
  論文  参考訳（メタデータ） (2024-11-25T20:03:41Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Practical Guidelines for Cell Segmentation Models Under Optical Aberrations in Microscopy [14.042884268397058]
  本研究は,光収差下でのセル画像のセグメンテーションモデルについて,蛍光顕微鏡と光電場顕微鏡を用いて評価する。 ネットワークヘッドの異なるOstoしきい値法やMask R-CNNなどのセグメンテーションモデルをトレーニングし,テストする。 対照的に、Cellpose 2.0は同様の条件下で複雑な細胞画像に有効であることが証明されている。
  論文  参考訳（メタデータ） (2024-04-12T15:45:26Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• 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)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。