論文の概要: Implicit neural representations for larval zebrafish brain microscopy: a reproducible benchmark on the MapZebrain atlas
- arxiv url: http://arxiv.org/abs/2603.26811v1
- Date: Thu, 26 Mar 2026 15:44:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.636024
- Title: Implicit neural representations for larval zebrafish brain microscopy: a reproducible benchmark on the MapZebrain atlas
- Title（参考訳）: 幼魚ゼブラフィッシュ脳顕微鏡におけるインプシット神経表現:MapZebrain atlasにおける再現性ベンチマーク
- Authors: Agnieszka Pregowska,
- Abstract要約: Inlicit Neural representations (INR)は、アトラス登録、相互モダリティ再サンプリング、スパースビュー補完、データのコンパクト共有のための連続的な座標ベースの符号化を提供する。
本研究はマゼブライン幼生ゼブラフィッシュ脳アトラスに対する再現可能なINRベンチマークである。
- 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: Implicit neural representations (INRs) offer continuous coordinate-based encodings for atlas registration, cross-modality resampling, sparse-view completion, and compact sharing of neuroanatomical data. Yet reproducible evaluation is lacking for high-resolution larval zebrafish microscopy, where preserving neuropil boundaries and fine neuronal processes is critical. We present a reproducible INR benchmark for the MapZebrain larval zebrafish brain atlas. Using a unified, seed-controlled protocol, we compare SIREN, Fourier features, Haar positional encoding, and a multi-resolution grid on 950 grayscale microscopy images, including atlas slices and single-neuron projections. Images are normalized with per-image (1,99) percentiles estimated from 10% of pixels in non-held-out columns, and spatial generalization is tested with a deterministic 40% column-wise hold-out along the X-axis. Haar and Fourier achieve the strongest macro-averaged reconstruction fidelity on held-out columns (about 26 dB), while the grid is moderately behind. SIREN performs worse in macro averages but remains competitive on area-weighted micro averages in the all-in-one regime. SSIM and edge-focused error further show that Haar and Fourier preserve boundaries more accurately. These results indicate that explicit spectral and multiscale encodings better capture high-frequency neuroanatomical detail than smoother-bias alternatives. For MapZebrain workflows, Haar and Fourier are best suited to boundary-sensitive tasks such as atlas registration, label transfer, and morphology-preserving sharing, while SIREN remains a lightweight baseline for background modelling or denoising.
- Abstract（参考訳）: Inlicit Neural representations (INR) は、アトラス登録、相互モダリティ再サンプリング、スパースビュー補完、神経解剖学的データのコンパクト共有のための連続的な座標ベースの符号化を提供する。
しかし、高分解能幼生ゼブラフィッシュ顕微鏡では再現可能な評価が欠如しており、神経パイル境界と微細な神経過程の保存が重要である。
本研究はマゼブライン幼生ゼブラフィッシュ脳アトラスに対する再現可能なINRベンチマークである。
我々は,SIREN,Fourier機能,Haar位置符号化,および950グレースケールの顕微鏡画像上のマルチレゾリューショングリッド(アトラススライスや単一ニューロン投影など)を比較した。
画像は、非ホールドアウトカラムのピクセルの10%から推定される画像当たりのパーセンタイル(1,99)で正規化され、空間一般化はX軸に沿って決定論的に40%のカラムワイドホールドアウトでテストされる。
ハールとフーリエはホールドアウトカラム(約26dB)で最強のマクロ平均復元フィリティを達成し、グリッドは適度に後方にある。
SIRENはマクロ平均ではパフォーマンスが悪くなるが、オールインワンの状態では、領域重み付けされたマイクロ平均では競争力を維持している。
SSIMとエッジ中心の誤差はさらに、ハールとフーリエが境界をより正確に保存していることを示している。
これらの結果は、よりスムーズなバイアス代替法よりも、高頻度の神経解剖学的詳細をはっきりとしたスペクトルおよびマルチスケール符号化がよりよく捉えられることを示唆している。
MapZebrainのワークフローでは、HaarとFourierはアトラス登録、ラベル転送、モルフォロジー保存共有といった境界に敏感なタスクに最適である。
関連論文リスト
- Trigger Optimization and Event Classification for Dark Matter Searches in the CYGNO Experiment Using Machine Learning [0.0]
本稿では,CYGNO内で開発された2つの補完的機械学習手法を提案する。
まず、再構成に基づく異常検出に基づくオンラインデータ削減のための、高速かつ完全に教師なしの戦略を提案する。
第2に、アメリシウム-ベリリウム中性子源で得られたデータに対して、分類不要ラベル(CWoLa)フレームワークを弱監督的に適用したことを報告した。
論文 参考訳（メタデータ） (2026-01-28T14:00:35Z) - Frequency-enhanced Multi-granularity Context Network for Efficient Vertebrae Segmentation [33.99418884128739]
椎骨分割精度を向上させるために,周波数強調多粒性コンテキストネットワーク(FMC-Net)を導入する。
高周波成分に対しては,HFR(High- frequency Feature Refinement)を適用し,特徴の顕著さを増幅する。
低周波成分に対しては、多粒度状態空間モデル(MG-SSM)を用いて、異なる受容場を持つ特徴表現を集約する。
論文 参考訳（メタデータ） (2025-06-29T04:53:02Z) - Implicit neural representations for accurate estimation of the standard model of white matter [2.1946354873884264]
本研究は、暗黙的ニューラル表現(INR)に基づく推定フレームワークを導入する。
INRは入力座標の正弦波符号化による空間正則化を含む。
SMパラメータの推定におけるINR法の精度は,特に低信号対雑音条件において優れていた。
論文 参考訳（メタデータ） (2025-06-18T15:40:42Z) - 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) - Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object
Detection [40.97322222472642]
本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。
糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。
我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
論文 参考訳（メタデータ） (2023-06-26T16:48:20Z) - Variable Bitrate Neural Fields [75.24672452527795]
本稿では,特徴格子を圧縮し,メモリ消費を最大100倍に削減する辞書手法を提案する。
辞書の最適化をベクトル量子化オートデコーダ問題として定式化し、直接監督できない空間において、エンドツーエンドの離散神経表現を学習する。
論文 参考訳（メタデータ） (2022-06-15T17:58:34Z) - Class Balanced PixelNet for Neurological Image Segmentation [20.56747443955369]
画素レベルの畳み込みニューラルネットワーク(CNN)を用いた自動脳腫瘍分割法(PixelNetなど)を提案する。
提案モデルは脳腫瘍と虚血性脳梗塞のセグメンテーションデータセットにおいて有望な結果を得た。
論文 参考訳（メタデータ） (2022-04-23T10:57:54Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z) - Pseudo-label refinement using superpixels for semi-supervised brain
tumour segmentation [0.6767885381740952]
限定アノテーションを用いたニューラルネットワークのトレーニングは、医療領域において重要な問題である。
半教師付き学習は、注釈付きデータが少ないセグメンテーションを学習することでこの問題を克服することを目的としている。
擬似ラベルの精度を向上させるために,スーパーピクセルに基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-16T15:17:11Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。