論文の概要: CoralLite: μCT Reconstruction of Coral Colonies from Individual Corallites

• arxiv url: http://arxiv.org/abs/2605.15093v2
• Date: Fri, 15 May 2026 06:07:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.003509
• Title: CoralLite: μCT Reconstruction of Coral Colonies from Individual Corallites
• Title（参考訳）: CoralLite:μCTによる個々のCalalliteからのCalal Coloniesの再構築
• Authors: Jess Jones, Leonardo Bertini, Kenneth Johnson, Erica Hendy, Tilo Burghardt,
• Abstract要約: CoralLiteは、石灰質骨格全体と関連する最初のサンゴライト深層学習再構築ベースラインの注釈付きCTスキャンデータセットである。 私たちは初めて、ビジュアル機械学習がサンゴ骨格のCTスキャンだけで、完全な3D個々のサンゴライトモデリングを効果的にサポートできることを示します。
• 参考スコア（独自算出の注目度）: 1.7874600843186912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The life history of an individual coral is archived within the accreting skeleton of the colony. While reef-forming coral colonies (e.g. massive $\textit{Porites}$ sp.) may live for hundreds of years and deposit calcareous structures many metres in height and width, their living tissue is a thin outer surface layer comprised of asexually-dividing polyps that only survive a few years. To understand the rate and timing of polyp division and the consequences for colony skeletal growth, scientists need to track the skeletal corallite deposited around each polyp. Here we propose CoralLite, an annotated $μ$CT scan dataset of entire calcareous skeletons and an associated, first corallite deep learning reconstruction baseline. CoralLite combines fully quantified volumetric segmentations with cross-slice linking for visualisations of 3D models for each corallite up to colony scale. For segmentation, we propose and evaluate in detail a hybrid V-Trans-UNet architecture applicable to segmenting tiled $μ$CT virtual slabs of $\textit{Porites}$ sp. colonies. The model is pre-trained on weakly annotated data and topology-aware fine-tuned using fully annotated slice sections with 8k+ manual corallite region annotations. On unseen slices of the same colony, the resulting model reaches 0.94 topological accuracy at mean Dice scores of 0.77 on the same colony and projection axis, and 0.63 mean Dice scores on a different, biologically unrelated specimen. Whilst our experiments are limited in scale and context, our results show for the first time that visual machine learning can effectively support full 3D individual corallite modelling from $μ$CT scans of coral skeletons alone. For reproducibility and as a baseline for future research we publish our full dataset of 697 $μ$CT slices, 37 partial or full slice annotations, and all network weights and source code with this paper.
• Abstract（参考訳）: 個々のサンゴの生活史は、コロニーの集積する骨格の中に記録されている。 礁を形成するサンゴのコロニー(例: $\textit{Porites}$ sp)。 生体組織は、無性分裂ポリプからなる薄い外表面層であり、数年しか生きられない。 ポリープ分裂の速度とタイミングと、コロニーの骨格成長の結果を理解するためには、各ポリープ周辺に堆積した骨格のサンゴライトを追跡する必要がある。 ここではCoralLiteを提案する。CoralLiteは、石灰質骨格全体と、それに関連する最初のサンゴライト深層学習再構築ベースラインの注釈付き$μ$CTスキャンデータセットである。 CoralLiteは、完全定量化されたボリュームセグメンテーションとクロススライスリンクを組み合わせて、各サンゴライトの3Dモデルの可視化をコロニースケールまで行う。 セグメンテーションのために,$μ$CT仮想スラブを$\textit{Porites}$spのセグメント化に適用可能なハイブリッドV-Trans-UNetアーキテクチャを提案する。 コロニー このモデルは、8k以上の手動サンゴライト領域アノテーションを付加した完全アノテートスライスセクションを用いて、弱アノテートデータとトポロジー対応の微調整により事前訓練される。 同じコロニーの目に見えないスライスでは、同じコロニーと投射軸のDiceスコアの平均0.77で0.94のトポロジカル精度に達し、異なる生物学的に無関係な標本では0.63の平均Diceスコアとなる。 我々の実験は規模と文脈に限られているが、この結果が初めて、ビジュアル機械学習がサンゴ骨格の$μ$CTスキャンから、完全な3D個別のサンゴライトモデリングを効果的にサポートできることが示されている。 再現性と今後の研究のベースラインとして、697$μ$CTスライス、37部分またはフルスライスアノテーション、およびすべてのネットワーク重みとソースコードをこの論文で公開します。

関連論文リスト

• No Mesh, No Problem: Estimating Coral Volume and Surface from Sparse Multi-View Images [45.20850219249498]
  有効なサンゴ礁のモニタリングには、正確な体積と表面積の推定によるサンゴの成長の定量化が必要である。 本稿では,2次元マルチビューRGB画像からサンゴのような物体の3次元体積と表面積を予測することによって,この問題に対処する,新しい,軽量でスケーラブルな学習フレームワークを提案する。 このフレームワークは、スパース画像から効率よくスケーラブルなサンゴの形状を推定する方法を開拓し、サンゴの成長分析やサンゴのモニタリングに応用できる可能性がある。
  論文  参考訳（メタデータ） (2025-09-14T08:52:01Z)
• Back Home: A Computer Vision Solution to Seashell Identification for Ecological Restoration [44.99833362998488]
  BackHome19Kは、海岸レベルのラベルが付加された最初の大規模画像コーパスである。 トレーニング済みの異常フィルタがアップロードされ、ユーザ生成ノイズに対する堅牢性が向上する。 システムはすでに野生生物の役人のために70万発の砲弾を1枚あたり3秒以下で処理している。
  論文  参考訳（メタデータ） (2025-01-08T23:07:10Z)
• CoDA: Interactive Segmentation and Morphological Analysis of Dendroid Structures Exemplified on Stony Cold-Water Corals [1.2699007098398802]
  CoDAは、複雑なデンドロイドサンゴコロニーの個体発生形態学的発達を初めて研究することができる。 CoDAの一部であるCoDAGraphは、スケルトンツリーの抽出した特徴と2Dグラフレイアウトを視覚化するための、機能豊富なリンクとブラシのユーザインターフェースである。
  論文  参考訳（メタデータ） (2024-06-26T10:37:02Z)
• CoralVOS: Dataset and Benchmark for Coral Video Segmentation [12.434773034255455]
  第1図で示すような大規模サンゴビデオセグメンテーションデータセット(textbfCoralVOS)を提案する。 我々はCoralVOSデータセットで、最新の6つの最先端ビデオオブジェクトセグメンテーション(VOS)アルゴリズムを含む実験を行いました。 その結果,セグメンテーション精度がさらに向上する可能性がまだ高いことがわかった。
  論文  参考訳（メタデータ） (2023-10-03T10:45:37Z)
• Pengembangan Model untuk Mendeteksi Kerusakan pada Terumbu Karang dengan Klasifikasi Citra [3.254879465902239]
  本研究はFlickr APIを用いてFlickrから収集した923枚の画像からなる特別なデータセットを利用する。 この研究で使用される方法は、機械学習モデル、特に畳み込みニューラルネットワーク(CNN)の使用を含む。 その結果,Stock-Scratch ResNetモデルは,精度と精度で事前学習モデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-08T15:30:08Z)
• 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
  本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。 また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
  論文  参考訳（メタデータ） (2023-03-21T17:58:49Z)
• Combining Photogrammetric Computer Vision and Semantic Segmentation for Fine-grained Understanding of Coral Reef Growth under Climate Change [6.335630432207172]
  サンゴはサンゴ礁に生息する生物で、海洋の4分の1を支えている。 3次元微粒なセマンティックモデリングとサンゴ礁の硬さ評価は,初めてミリ(mm)精度で完了した。
  論文  参考訳（メタデータ） (2022-12-08T08:09:57Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• Universal Segmentation of 33 Anatomies [19.194539991903593]
  本稿では,33の解剖学的構造を普遍的に分割する単一モデルの学習手法を提案する。 我々は、複数のデータセットの結合からそのようなモデルを学び、各データセットには部分的にラベル付けされた画像が含まれている。 我々は,複数のオープンソースデータセット上でモデルを評価し,モデルが優れた一般化性能を有することを示す。
  論文  参考訳（メタデータ） (2022-03-04T02:29:54Z)
• SkeletonNet: A Topology-Preserving Solution for Learning Mesh Reconstruction of Object Surfaces from RGB Images [85.66560542483286]
  本稿では,RGB画像から3次元物体表面再構成を学習する上での課題に焦点を当てる。 我々は,SkeGCNNとSkeDISNの2つのモデルを提案する。 提案するSkeletonNetの有効性を検証するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2020-08-13T07:59:25Z)

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。