論文の概要: Probe-EM: Targeted Neuron Tracing via Training-Free Semantic Verification
- arxiv url: http://arxiv.org/abs/2607.04696v1
- Date: Mon, 06 Jul 2026 05:56:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.053935
- Title: Probe-EM: Targeted Neuron Tracing via Training-Free Semantic Verification
- Title（参考訳）: Probe-EM:トレーニングフリーセマンティック検証による標的ニューロンの追跡
- Abstract要約: テラバイトまたはペタバイト規模の電子顕微鏡データを処理するためのトレーニング不要な標的ニューロン追跡フレームワークを提案する。
具体的には、幾何的先行情報を利用して神経形態を反復的に再構築する骨格誘導ヒューリスティック空間探索パラダイムを導入する。
基礎モデルNeuroSAM 2に基づく次元認識セマンティック検証戦略をさらに発展させる。
- 参考スコア（独自算出の注目度）: 13.282533076475383
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Establishing large-scale, high-resolution neural connectivity maps is fundamental to elucidating the structural basis of brain function. However, when processing terabyte- or petabyte-scale electron microscopy data, over-segmentation inherent in automated reconstruction algorithms remains a critical bottleneck, requiring extensive manual proofreading spanning person-years. To alleviate the heavy reliance on annotated data and the limited flexibility of conventional tracing methods, we propose a training-free, targeted neuron tracing framework. Specifically, we introduce a skeleton-guided Heuristic Spatial Search paradigm that leverages geometric priors to iteratively reconstruct neuronal morphologies through a probing-verification cycle. To achieve robust zero-shot semantic verification, we further develop a Dimension-Aware Semantic Verification strategy built upon the foundation model NeuroSAM 2. This strategy resolves intra-slice splits via Planar Ensemble Consensus and inter-slice splits via Axial Spatio-Temporal Propagation. Notably, we integrate the proposed workflow into the Neuroglancer visualization platform, enabling an interactive human-in-the-loop proofreading system. Experimental results demonstrate that the proposed method outperforms supervised baselines and reduces manual proofreading time by 33.4%. The source code is publicly available at https://github.com/HeadLiuYun/Probe-EM.
- Abstract（参考訳）: 大規模で高解像度のニューラルコネクティビティマップを確立することは、脳機能の構造的基盤を明らかにするのに不可欠である。
しかし、テラバイトまたはペタバイト規模の電子顕微鏡データを処理する場合、自動再構成アルゴリズムに固有の過剰セグメンテーションは重大なボトルネックであり、人年にわたって広範囲な手作業による校正が必要である。
注釈付きデータへの依存度と従来のトレース手法の柔軟性の制限を緩和するため,トレーニング不要で標的となるニューロン追跡フレームワークを提案する。
具体的には、幾何学的先行情報を利用して探索検証サイクルを通じて神経形態を反復的に再構築する骨格誘導ヒューリスティック空間探索パラダイムを導入する。
堅牢なゼロショットセマンティック検証を実現するため,基礎モデルであるNeuroSAM 2に基づく次元認識セマンティック検証戦略をさらに発展させる。
この戦略は、Planar Ensemble ConsensusおよびAxial Spatio-Temporal Propagationを介してスライス内分割を解決する。
特に、提案したワークフローをNeuroglancer可視化プラットフォームに統合し、インタラクティブなヒューマン・イン・ザ・ループ証明システムを実現する。
実験の結果,提案手法は教師付きベースラインを上回り,手作業による校正時間を33.4%短縮することがわかった。
ソースコードはhttps://github.com/HeadLiuYun/Probe-EMで公開されている。
関連論文リスト
- Cross-Subject Semantic Decoding with Shared-Space Alignment for Generalized Neural Representation Learning [80.18561652862725]
被験者全体にわたる一般化は、侵襲的なニューラル記録において難しいままである。
本稿では,複数の被験者からの音声知覚に対するニューラル応答を共有潜在空間に整列させるクロスオブジェクトセマンティックデコーディングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-03T03:59:16Z) - Functional Similarity Metric for Neural Networks: Overcoming Parametric Ambiguity via Activation Region Analysis [0.0]
ReLUネットワークでは、全く異なる重み設定によって同一の機能写像が達成される。
従来の比較法では、トレーニング中にわずかに体重の摂動が極端に不安定である。
本稿では,ニューラルネットワークの安定な正準表現を構築するための数学的基礎的手法を提案する。
論文 参考訳（メタデータ） (2026-04-04T17:50:07Z) - Pixel Embedding Method for Tubular Neurite Segmentation [14.942761606240683]
本稿では,画素レベルの埋め込みベクトルを出力し,対応する損失関数を設計するディープネットワークを提案する。
また、生のニューロン画像をSWCフォーマットのニューロン構造木に直接マッピングするエンド・ツー・エンドパイプラインも開発している。
fMOST画像データセットを用いた実験により, 古典的手法と比較して, 神経トポロジー再構成における誤差率を著しく低下させることが示された。
論文 参考訳（メタデータ） (2025-07-31T09:11:15Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - Split-Boost Neural Networks [1.1549572298362787]
本稿では,スプリットブートと呼ばれるフィードフォワードアーキテクチャの革新的なトレーニング戦略を提案する。
このような新しいアプローチは、最終的に正規化項を明示的にモデル化することを避けることができる。
提案した戦略は、ベンチマーク医療保険設計問題内の実世界の(匿名化された)データセットでテストされる。
論文 参考訳（メタデータ） (2023-09-06T17:08:57Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - Estimation of the Mean Function of Functional Data via Deep Neural
Networks [6.230751621285321]
関数データに対して非パラメトリック回帰を行うディープニューラルネットワーク手法を提案する。
本手法は,アルツハイマー病患者における陽電子放出トモグラフィ画像の解析に用いる。
論文 参考訳（メタデータ） (2020-12-08T17:18:16Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Supervised Learning with First-to-Spike Decoding in Multilayer Spiking
Neural Networks [0.0]
本稿では,多層スパイキングニューラルネットワークを学習して分類問題を解くための教師あり学習手法を提案する。
提案した学習規則は、隠れニューロンが発する複数のスパイクをサポートし、決定論的出力層によって生成された最初のスパイク応答に依存することにより安定である。
また、入力データのコンパクト表現を形成するために、いくつかの異なるスパイクベースの符号化戦略についても検討する。
論文 参考訳（メタデータ） (2020-08-16T15:34:48Z) - Parallelization Techniques for Verifying Neural Networks [52.917845265248744]
検証問題に基づくアルゴリズムを反復的に導入し、2つの分割戦略を探索する。
また、ニューラルネットワークの検証問題を単純化するために、ニューロンアクティベーションフェーズを利用する、高度に並列化可能な前処理アルゴリズムも導入する。
論文 参考訳（メタデータ） (2020-04-17T20:21:47Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。