論文の概要: MTFlow: Time-Conditioned Flow Matching for Microtubule Segmentation in Noisy Microscopy Images

• arxiv url: http://arxiv.org/abs/2601.14841v1
• Date: Wed, 21 Jan 2026 10:14:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.326748
• Title: MTFlow: Time-Conditioned Flow Matching for Microtubule Segmentation in Noisy Microscopy Images
• Title（参考訳）: MTFlow:ノイズ顕微鏡画像における微小管分割のための時間変化フローマッチング
• Authors: Sidi Mohamed Sid El Moctar, Achraf Ait Laydi, Yousef El Mourabit, Hélène Bouvrais,
• Abstract要約: MTFlowはマイクロチューブセグメンテーションのための時間条件付きフローマッチングモデルである。 ノイズマスクを基底真理に向けて反復的に輸送するベクトル場を学ぶ。 最先端のモデルに匹敵する、競争力のあるセグメンテーションの精度を実現する。
• 参考スコア（独自算出の注目度）: 0.29165586612027233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microtubules are cytoskeletal filaments that play essential roles in many cellular processes and are key therapeutic targets in several diseases. Accurate segmentation of microtubule networks is critical for studying their organization and dynamics but remains challenging due to filament curvature, dense crossings, and image noise. We present MTFlow, a novel time-conditioned flow-matching model for microtubule segmentation. Unlike conventional U-Net variants that predict masks in a single pass, MTFlow learns vector fields that iteratively transport noisy masks toward the ground truth, enabling interpretable, trajectory-based refinement. Our architecture combines a U-Net backbone with temporal embeddings, allowing the model to capture the dynamics of uncertainty resolution along filament boundaries. We trained and evaluated MTFlow on synthetic and real microtubule datasets and assessed its generalization capability on public biomedical datasets of curvilinear structures such as retinal blood vessels and nerves. MTFlow achieves competitive segmentation accuracy comparable to state-of-the-art models, offering a powerful and time-efficient tool for filamentous structure analysis with more precise annotations than manual or semi-automatic approaches.
• Abstract（参考訳）: 微小管は細胞骨格のフィラメントであり、多くの細胞プロセスにおいて重要な役割を担い、いくつかの疾患において重要な治療標的である。 マイクロチューブネットワークの正確なセグメンテーションは、組織や力学を研究する上で重要であるが、フィラメントの曲率、密度の高い交差、画像ノイズのために依然として困難である。 本稿では,マイクロチューブセグメンテーションのための時間条件付きフローマッチングモデルMTFlowを提案する。 シングルパスのマスクを予測する従来のU-Netの変種とは異なり、MTFlowはノイズマスクを基底真実に向けて繰り返し輸送するベクトル場を学習し、解釈可能な軌道ベースの改良を可能にする。 我々のアーキテクチャは、U-Netバックボーンと時間埋め込みを組み合わせることで、フィラメント境界に沿って不確実性解決のダイナミクスを捉えることができる。 MTFlowを人工および実際の微小管のデータセットで訓練,評価し,網膜血管や神経などの血管構造の公開生体医学的データセットでその一般化能力を評価した。 MTFlowは最先端のモデルに匹敵する競合セグメンテーションの精度を実現し、手動や半自動のアプローチよりも正確なアノテーションでフィラメント構造解析を行うための強力で時間効率のツールを提供する。

関連論文リスト

• The-Bodega: A Matlab Toolbox for Biologically Dynamic Microbubble Simulations on Realistic Hemodynamic Microvascular Graphs [1.8686303208366433]
  The-Bodegaは、超音波顕微鏡データセットをシミュレートするためのMatlabベースのツールボックスである。 マウスの脳からヒトの心臓まで、さまざまな領域にわたる一貫したマイクロ・超音波シミュレーションをサポートします。 画像品質評価,動作解析,新しいULMモダリティのシミュレーションなどの応用例において,その汎用性を実証する。
  論文  参考訳（メタデータ） (2025-09-09T21:14:04Z)
• MAWIFlow Benchmark: Realistic Flow-Based Evaluation for Network Intrusion Detection [47.86433139298671]
  本稿では,MAWILAB v1.1データセットから得られたフローベースベンチマークであるMAWIFlowを紹介する。 得られたデータセットは、2011年1月、2016年、2021年に太平洋横断のバックボーンのトラフィックから引き出された、時間的に異なるサンプルで構成されている。 決定木、ランダムフォレスト、XGBoost、ロジスティック回帰を含む伝統的な機械学習手法は、CNN-BiLSTMアーキテクチャに基づいたディープラーニングモデルと比較される。
  論文  参考訳（メタデータ） (2025-06-20T14:51:35Z)
• CNN-powered micro- to macro-scale flow modeling in deformable porous media [0.0]
  本研究は, 変形性多孔質媒質中のマクロ内在透過性テンソルを, 実マイクロジオメトリーのマイクロCT画像の限られたセットを用いて予測する新しい手法を提案する。 この研究の新規性は、変形および異方性流れ条件下での細孔流体の挙動を予測するために畳み込みニューラルネットワーク(CNN)を活用することである。
  論文  参考訳（メタデータ） (2025-01-11T07:36:41Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Evaluation of Activated Sludge Settling Characteristics from Microscopy Images with Deep Convolutional Neural Networks and Transfer Learning [7.636901972162706]
  本研究では, 活性汚泥沈降特性を評価するために, コンピュータビジョンに基づく革新的な手法を提案する。 深層畳み込みニューラルネットワーク(CNN)モデルの伝達学習の実装により,既存の定量的画像解析技術の限界を克服することを目的とした。 Inception v3, ResNet18, ResNet152, ConvNeXt-nano, ConvNeXt-S などのCNNアーキテクチャを用いて, 汚泥沈降特性の評価を行った。
  論文  参考訳（メタデータ） (2024-02-14T18:13:37Z)
• 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)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• 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。