論文の概要: A Conditional Generative Framework for Synthetic Data Augmentation in Segmenting Thin and Elongated Structures in Biological Images

• arxiv url: http://arxiv.org/abs/2512.10334v1
• Date: Thu, 11 Dec 2025 06:36:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.223573
• Title: A Conditional Generative Framework for Synthetic Data Augmentation in Segmenting Thin and Elongated Structures in Biological Images
• Title（参考訳）: 生体画像中の薄い構造と伸長構造の分割における合成データ拡張のための条件付き生成フレームワーク
• Authors: Yi Liu, Yichi Zhang,
• Abstract要約: 本稿では,2次元マスクからの顕微鏡画像に現実的なフィラメントを生成するための条件生成フレームワークを提案する。 また、合成画像を生成する際の構造類似性を改善するために、フィラメント対応構造損失を提案する。
• 参考スコア（独自算出の注目度）: 8.599003203525731
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Thin and elongated filamentous structures, such as microtubules and actin filaments, often play important roles in biological systems. Segmenting these filaments in biological images is a fundamental step for quantitative analysis. Recent advances in deep learning have significantly improved the performance of filament segmentation. However, there is a big challenge in acquiring high quality pixel-level annotated dataset for filamentous structures, as the dense distribution and geometric properties of filaments making manual annotation extremely laborious and time-consuming. To address the data shortage problem, we propose a conditional generative framework based on the Pix2Pix architecture to generate realistic filaments in microscopy images from binary masks. We also propose a filament-aware structural loss to improve the structure similarity when generating synthetic images. Our experiments have demonstrated the effectiveness of our approach and outperformed existing model trained without synthetic data.
• Abstract（参考訳）: 微小管やアクチンフィラメントのような細長いフィラメント構造は、しばしば生物学的システムにおいて重要な役割を果たす。 これらのフィラメントを生物学的画像に分割することは、定量分析の基本的なステップである。 近年の深層学習はフィラメントセグメンテーションの性能を大幅に向上させた。 しかし, フィラメントの密度分布と幾何特性が手作業による注釈作成に非常に手間がかかり, 時間を要するため, 高品質な画素レベルのアノテートデータセットの取得には大きな課題がある。 データ不足問題に対処するために、Pix2Pixアーキテクチャに基づく条件生成フレームワークを提案し、バイナリマスクから顕微鏡画像の現実的なフィラメントを生成する。 また、合成画像を生成する際の構造類似性を改善するために、フィラメント対応構造損失を提案する。 本実験は, 提案手法の有効性を実証し, 合成データなしで訓練した既存モデルより優れていた。

関連論文リスト

• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• A novel attention mechanism for noise-adaptive and robust segmentation of microtubules in microscopy images [0.27185251060695437]
  本研究では,Squeeze-and-Excitation (SE)モジュールを拡張し,様々なノイズレベルに動的に適応する新しいノイズ適応型アテンション機構を提案する。 このアダプティブSE(ASE)はU-Netデコーダに統合され、残りのエンコーダブロックが組み込まれ、軽量だが強力なモデルであるab_Res_U-Netを形成する。 合成画像と実雑音画像の両方の微小管を効果的に分画し、最先端のカービリナー構造分画法より優れていた。
  論文  参考訳（メタデータ） (2025-07-10T14:26:50Z)
• Tracing and segmentation of molecular patterns in 3-dimensional cryo-et/em density maps through algorithmic image processing and deep learning-based techniques [0.0]
  論文はアクチンフィラメントを 追跡する高度な計算技術の開発に焦点を当てています BundleTrac、Stereociliumで発見された束状アクチンフィラメントをトレースするSpagetti Tracer、アクチンネットワークでランダムに配向されたアクチンフィラメントをトレースするStruwwel Tracerの3つの新しい手法が開発されている。 論文の第2の構成要素は、中分解能(5-10アングストローム)3次元低温電子顕微鏡におけるヘリスやベータシートなどのタンパク質二次構造の位置を決定する畳み込みニューラルネットワーク(CNN)に基づくセグメンテーションモデルの導入である。
  論文  参考訳（メタデータ） (2024-03-26T00:41:54Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Deep Learning of Crystalline Defects from TEM images: A Solution for the Problem of "Never Enough Training Data" [0.0]
  In-situ TEM実験は、転位がどのように振る舞うか、動きについて重要な洞察を与えることができる。 個々のビデオフレームの分析は有用な洞察を提供するが、自動識別の能力によって制限される。 本研究では,転位セグメンテーションのための合成トレーニングデータを生成するパラメトリックモデルを開発した。
  論文  参考訳（メタデータ） (2023-07-12T17:37:46Z)
• 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)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• METGAN: Generative Tumour Inpainting and Modality Synthesis in Light Sheet Microscopy [4.872960046536882]
  本稿では,実解剖情報を活用し,腫瘍の現実的な画像ラベル対を生成する新しい生成法を提案する。 解剖学的画像とラベルのためのデュアルパス生成器を構築し, 独立して事前学習されたセグメンタによって制約された, サイクル一貫性のある設定で学習する。 生成した画像は,既存の手法に比べて定量的に顕著に改善された。
  論文  参考訳（メタデータ） (2021-04-22T11:18:17Z)
• Retinal Image Segmentation with a Structure-Texture Demixing Network [62.69128827622726]
  複雑な構造とテクスチャ情報は網膜画像に混在し、その情報の識別が困難である。 既存の手法はテクスチャと構造を共同で扱うため、偏りのあるモデルをテクスチャ認識に導くことができ、結果としてセグメンテーション性能は低下する。 本稿では,構造成分とテクスチャ成分を分離し,性能を大幅に向上させるセグメンテーション戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-15T12:19:03Z)

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。