論文の概要: Higher-Order Cell Tracking Transformer

• arxiv url: http://arxiv.org/abs/2607.11754v1
• Date: Mon, 13 Jul 2026 16:12:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.547219
• Title: Higher-Order Cell Tracking Transformer
• Title（参考訳）: 高次セル追跡変圧器
• Abstract要約: 細胞分裂は、ノード埋め込み空間内の異なる系統経路を絡み合わせる。 ノードを共有するエッジは、ほぼランダムなラベル契約を持つ。 本稿では,3次元幾何学的手法を用いて,候補セルリンクが互いに参加するエッジ中心アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 1.3356260369011272
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reconstructing lineages from live-imaging microscopy requires linking cell detections across time, including through cell divisions. A common approach is to construct a candidate graph and associate cell segmentations (nodes) across frames. However, these and other existing methods overlook two structural obstacles in candidate tracking graphs: (i) cell divisions entangle distinct lineage paths in the node embedding space, and (ii) edges sharing a node have near-random label agreement, so the candidate-graph topology carries no useful information for graph neural networks to aggregate. We propose the \textbf{Higher-Order Cell Tracking Transformer} (HOCT), an edge-centric architecture in which candidate cell links attend to one another under a 3D geometric prior, resolving both issues. Evaluated on the Cell Tracking Challenge and a bacteria division benchmark, HOCT achieves state-of-the-art results without deep pre-trained image encoders. Moreover, the proposed approach is easier to fine-tune, quickly reducing tracking errors by 59% with 400 annotations in a human-in-the-loop setting, outperforming LoRA fine-tuning of competing transformer baselines (6.75% improvement).
• Abstract（参考訳）: 生画像顕微鏡から系統を再構築するには、細胞分裂を含む時間にわたって細胞検出をリンクする必要がある。 一般的なアプローチは、候補グラフを構築し、フレーム間でセルセグメンテーション(ノード)を関連付けることである。 しかし、これらの既存手法は、候補追跡グラフの2つの構造的障害を見落としている。 (i)細胞分裂は、ノード埋め込み空間内の異なる系統経路を絡み合わせ、 (II)ノードを共有するエッジは、ほぼランダムなラベル一致を持つため、グラフグラフトポロジはグラフニューラルネットワークが集約する有用な情報を持たない。 提案するHOCTは,3次元の幾何学的先行条件下で,候補セルリンクが互いに関与するエッジ中心アーキテクチャであり,両問題を解消する。 HOCTは、細胞追跡チャレンジと細菌分類ベンチマークに基づいて、深層学習済みの画像エンコーダを使わずに最先端の結果を得る。 さらに、提案手法は微調整が容易で、ループ中の400のアノテーションでトラッキングエラーを59%減らし、競合するトランスフォーマーベースライン(6.75%改善)のLoRA微調整よりも優れている。

関連論文リスト

• SliceGraph: Mapping Process Isomers in Multi-Run Chain-of-Thought Reasoning [60.650808962786364]
  我々は、CoTスライス間の疎活性化キージャカード類似性に対して、相互kNNによって構築された問題モデル-セルグラフであるSliceGraphを提案する。 同じ正規化された回答を共有する正しいCoTは、複数のプロセスファミリに分割されていることを示す。 また、プロセスファミリは、一致したnull制御の下で異なる遷移カーネルで同じアトラスをナビゲートすることを示す。
  論文  参考訳（メタデータ） (2026-05-14T09:37:26Z)
• Cell as Point: One-Stage Framework for Efficient Cell Tracking [56.98130311648714]
  本稿では,セルをポイントとして扱うことで細胞追跡を再現する新しいエンド・ツー・エンドのワンステージフレームワークであるCAPを提案する。 従来の方法とは異なり、CAPは明示的な検出やセグメンテーションの必要性を排除し、代わりに、その軌道間の固有の相関を利用して、1段階の配列の細胞を共同で追跡する。 Capは有望なセルトラッキング性能を示し、既存の方法の8倍から32倍の効率である。
  論文  参考訳（メタデータ） (2024-11-22T10:16:35Z)
• Trackastra: Transformer-based cell tracking for live-cell microscopy [0.0]
  Trackastraは、単純なトランスフォーマーアーキテクチャを使って、細胞同士の相互関連を学習する汎用的な細胞追跡手法である。 我々の追跡手法は、高度に調整された最先端の細胞追跡アルゴリズムに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-05-24T16:44:22Z)
• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Large-Scale Multi-Hypotheses Cell Tracking Using Ultrametric Contours Maps [1.015920567871904]
  本稿では,分割選択手法による大規模3次元細胞追跡手法について述べる。 本手法は,細胞追跡課題から得られた3次元画像の最先端化を実現する。 われわれのフレームワークは柔軟で、市販のセルセグメンテーションモデルからのセグメンテーションをサポートしている。
  論文  参考訳（メタデータ） (2023-08-08T18:41:38Z)
• Geodesic Sinkhorn for Fast and Accurate Optimal Transport on Manifolds [53.110934987571355]
  多様体グラフ上の熱核に基づく測地学的シンクホーンを提案する。 化学療法中の患者試料からの高次元単細胞データの複数分布のバリセンタの計算に本法を適用した。
  論文  参考訳（メタデータ） (2022-11-02T00:51:35Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Graph Neural Network for Cell Tracking in Microscopy Videos [0.0]
  顕微鏡ビデオにおける細胞追跡のための新しいグラフニューラルネットワーク(GNN)を提案する。 タイムラプスシーケンス全体を直接グラフとしてモデル化することにより,セルトラジェクトリの集合全体を抽出する。 我々は、異なる生体細胞のインスタンスを区別する細胞特徴ベクトルを抽出するために、ディープメトリック学習アルゴリズムを利用する。
  論文  参考訳（メタデータ） (2022-02-09T21:21:48Z)
• Image segmentation via Cellular Automata [58.86475603234583]
  我々は高解像度画像のセグメンテーションを成功させるセルオートマトンを設計し、訓練する。 私たちの最小のオートマトンは、複雑なセグメンテーションタスクを解決するために1万以下のパラメータを使用します。
  論文  参考訳（メタデータ） (2020-08-11T19:04:09Z)
• Cell Segmentation and Tracking using CNN-Based Distance Predictions and a Graph-Based Matching Strategy [0.20999222360659608]
  顕微鏡画像における触覚細胞のセグメンテーション法を提案する。 距離マップにインスパイアされた新しい細胞境界の表現を用いることで, 触覚細胞だけでなく, 近接細胞をトレーニングプロセスで利用することができる。 この表現は、特にアノテーションエラーに対して堅牢であり、未表現または未含の細胞型を含むトレーニングデータに含まれる顕微鏡画像のセグメンテーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2020-04-03T11:55:28Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。