論文の概要: From Instance Segmentation to 3D Growth Trajectory Reconstruction in Planktonic Foraminifera
- arxiv url: http://arxiv.org/abs/2511.02142v1
- Date: Tue, 04 Nov 2025 00:26:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 18:47:05.756722
- Title: From Instance Segmentation to 3D Growth Trajectory Reconstruction in Planktonic Foraminifera
- Title（参考訳）: プランクトン性フォアミニフェラのケースセグメンテーションから3次元成長軌道再構成へ
- Authors: Huahua Lin, Xiaohao Cai, Mark Nixon, James M. Mulqueeney, Thomas H. G. Ezard,
- Abstract要約: 本稿では,フォアミニフェラで広く研究されていないコンピュータビジョン技術である,インスタンスセグメンテーションを統合したエンドツーエンドパイプラインを提案する。
提案するパイプラインは,生物学的に意味のある精度を維持しつつ,手作業を大幅に削減することを示す。
この研究は、デジタルフォアミニフェラル成長分析のための、初めて完全に自動化され再現可能なパイプラインを提供する。
- 参考スコア（独自算出の注目度）: 0.18641315013048296
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Planktonic foraminifera, marine protists characterized by their intricate chambered shells, serve as valuable indicators of past and present environmental conditions. Understanding their chamber growth trajectory provides crucial insights into organismal development and ecological adaptation under changing environments. However, automated tracing of chamber growth from imaging data remains largely unexplored, with existing approaches relying heavily on manual segmentation of each chamber, which is time-consuming and subjective. In this study, we propose an end-to-end pipeline that integrates instance segmentation, a computer vision technique not extensively explored in foraminifera, with a dedicated chamber ordering algorithm to automatically reconstruct three-dimensional growth trajectories from high-resolution computed tomography scans. We quantitatively and qualitatively evaluate multiple instance segmentation methods, each optimized for distinct spatial features of the chambers, and examine their downstream influence on growth-order reconstruction accuracy. Experimental results on expert-annotated datasets demonstrate that the proposed pipeline substantially reduces manual effort while maintaining biologically meaningful accuracy. Although segmentation models exhibit under-segmentation in smaller chambers due to reduced voxel fidelity and subtle inter-chamber connectivity, the chamber-ordering algorithm remains robust, achieving consistent reconstruction of developmental trajectories even under partial segmentation. This work provides the first fully automated and reproducible pipeline for digital foraminiferal growth analysis, establishing a foundation for large-scale, data-driven ecological studies.
- Abstract（参考訳）: プランクトニック・フォアミニフェラ(Planktonic foraminifera)は、複雑な貝殻が特徴で、過去と現在の環境条件の貴重な指標である。
室の成長過程を理解することは、環境変化下での生物の発達と生態学的適応に重要な洞察を与える。
しかし、画像データからチャンバ成長を自動的に追跡する手法はほとんど探索されておらず、既存のアプローチでは各チャンバの手動セグメンテーションに大きく依存しており、それは時間と主観的である。
本研究では,フォアミニフェラで広く探索されていないコンピュータビジョン技術であるインスタンスセグメンテーションと,高分解能CTスキャンから3次元成長軌跡を自動再構成する専用チャンバオーダアルゴリズムを組み合わせたエンドツーエンドパイプラインを提案する。
我々は,各チャンバーの空間的特徴に最適化された複数のインスタンスセグメンテーション法を定量的に定性的に評価し,そのダウンストリームの影響について検討した。
専門家アノテートデータセットの実験結果から,提案したパイプラインは生物学的に意味のある精度を維持しつつ,手作業を大幅に削減することが示された。
セグメンテーションモデルでは、ボクセルの忠実度が低下し、チャンバー間の微妙な接続が生じるため、小さなチャンバーでは低セグメンテーションを示すが、チャンバーオーダリングアルゴリズムは頑健であり、部分セグメンテーションの下でも発達軌跡の一貫した再構築を実現している。
この研究は、デジタルフォアミニフェラル成長分析のための、初めて完全に自動化され再現可能なパイプラインを提供し、大規模でデータ駆動型生態研究の基礎を確立した。
関連論文リスト
- Towards geological inference with process-based and deep generative modeling, part 2: inversion of fluvial deposits and latent-space disentanglement [0.0]
フラビアル沈殿物を生成するために訓練されたジェネレーティブ・敵ネットワーク(GAN)は、よく地震データと一致するように逆向きにすることができる。
4、8、20の井戸を持つ3つの試験サンプルに対して4つの反転アプローチを適用した。
GANはすでにジオモデリングへの統合に必要なタスクを処理できる。
論文 参考訳（メタデータ） (2025-10-20T12:22:12Z) - A Scalable Trie Building Algorithm for High-Throughput Phyloanalysis of Wafer-Scale Digital Evolution Experiments [0.0]
デジタル実験から得られた系譜の高解像度スナップショットは、進化可能性とオープンエンド進化の研究の鍵となる。
850,000プロセッサのCerebras Wafer-Scale Engine(WSE)など、AI/MLハードウェアアクセラレータデバイスの進歩は、進化的問題の範囲を広げようとしている。
論文 参考訳（メタデータ） (2025-08-20T21:18:51Z) - Dynamic Snake Upsampling Operater and Boundary-Skeleton Weighted Loss for Tubular Structure Segmentation [5.949900966039577]
本稿では,トポロジカルな管状構造物に適した動的ヘビ吊り上げ演算子と境界スケルトン重み付き損失を導入する。
様々なドメインデータセットとバックボーンネットワークにわたる実験により、このプラグアンドプレイのダイナミックスネークアップサンプリング演算子とバウンダリ・スケルトン重み付き損失は、ピクセルワイドセグメンテーション精度と結果のトポロジ的整合性の両方を促進することが示された。
論文 参考訳（メタデータ） (2025-05-13T12:56:59Z) - Well2Flow: Reconstruction of reservoir states from sparse wells using score-based generative models [0.22499166814992438]
本研究では,貯水池シミュレーションシナリオにおけるスコアベース生成モデルの利用について検討した。
塩水帯水層における空間的に多孔質で飽和度の高いフィールドの再構築に焦点が当てられ、2つの井戸でのスパース観測から推測される。
物理制約とウェルログガイダンスを生成モデルに組み込む新しい手法を導入し、再構成された地下状態の精度と物理的妥当性を著しく向上させる。
論文 参考訳（メタデータ） (2025-04-07T20:12:19Z) - TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。
TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。
また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
論文 参考訳（メタデータ） (2024-05-27T05:45:51Z) - 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 Multiscale Consistency for Self-supervised Electron Microscopy
Instance Segmentation [48.267001230607306]
本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。
当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。
効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
論文 参考訳（メタデータ） (2023-08-19T05:49:13Z) - 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) - Deep Modeling of Growth Trajectories for Longitudinal Prediction of
Missing Infant Cortical Surfaces [58.780482825156035]
空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。
提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。
本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
論文 参考訳（メタデータ） (2020-09-06T18:46:04Z) - LORCK: Learnable Object-Resembling Convolution Kernels [1.853658628381862]
セグメント化された器官の輪郭をミリ波で学習する,新しい中空核のクラスを提案する。
提案したカーネルを用いて一連のU-Netライクなニューラルネットワークをトレーニングし、様々な時間的畳み込みシナリオにおけるアイデアの優位性を実証する。
我々の結果は、他のドメイン固有のディープラーニングアプリケーションへの道を開いた。
論文 参考訳（メタデータ） (2020-07-09T23:17:40Z)
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。