論文の概要: NeuroAdaptTrainer: A Fiji/ImageJ Plugin for YOLO-Based Neuron Segmentation, InteractiveCorrection and Transfer Learning

• arxiv url: http://arxiv.org/abs/2608.05226v1
• Date: Wed, 05 Aug 2026 11:39:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.750526
• Title: NeuroAdaptTrainer: A Fiji/ImageJ Plugin for YOLO-Based Neuron Segmentation, InteractiveCorrection and Transfer Learning
• Title（参考訳）: NeuroAdaptTrainer: YOLO-based Neuron Segmentation, InteractiveCorrection and Transfer Learning のための Fiji/ImageJ プラグイン
• Abstract要約: NeuroAdaptTrainerは、YOLOインスタンスセグメンテーションモデルをマイクロスコピストのワークフローに直接統合するプラグインである。 これにより、ユーザーは単一の画像または画像のバッチ上で自動ニューロン検出を実行し、フィジー内から得られた検出を手動で修正し、それらの補正を使用して、トランスファーラーニングを通じて新しい画像条件にモデルを適応することができる。 組み込みの外部検証モジュールは、ベースと適応されたモデルを、保持された注釈付きセットで定量的に比較することを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neuron counting and segmentation in microscopy images of neuronal cultures is a routine and time-consuming task in neuroscience research, traditionally performed through manual inspection or semi-automatic tools. We present NeuroAdaptTrainer, an open-source Fiji/ImageJ plugin that integrates a YOLO instance-segmentation model directly into the microscopist's workflow. The plugin allows a user to run automatic neuron detection on a single image or a batch of images, manually correct the resulting detections from within Fiji, and use those corrections to adapt the model to new imaging conditions via transfer learning. A built-in external validation module allows the base and adapted models to be compared quantitatively on a held-out annotated set. NeuroAdaptTrainer lowers the barrier for non-specialist users to benefit from deep-learning-based segmentation while keeping expert supervision at the center of the workflow.
• Abstract（参考訳）: 神経培養の顕微鏡画像におけるニューロンのカウントとセグメンテーションは、伝統的に手動検査やセミオートマチックツールを通して行われる神経科学研究において、日常的かつ時間を要する課題である。 本稿では、YOLOインスタンス分割モデルをマイクロスコピストのワークフローに直接組み込むオープンソースのFiji/ImageJプラグインであるNeuroAdaptTrainerを紹介する。 このプラグインを使うと、ユーザーは単一の画像または画像のバッチ上で自動ニューロン検出を実行し、フィジー内から得られた検出を手動で修正し、それらの補正を使用して、転送学習を通じて新しい画像条件にモデルを適応することができる。 組み込みの外部検証モジュールは、ベースと適応されたモデルを、保持された注釈付きセットで定量的に比較することを可能にする。 NeuroAdaptTrainerは、ワークフローの中心に専門家の監督を維持しながら、ディープラーニングベースのセグメンテーションの恩恵を受けるために、非専門的なユーザの障壁を低くする。

関連論文リスト

• Probe-EM: Targeted Neuron Tracing via Training-Free Semantic Verification [13.282533076475383]
  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。
  論文  参考訳（メタデータ） (2026-07-06T05:56:26Z)
• Few-Shot Transfer Learning for Individualized Braking Intent Detection on Neuromorphic Hardware [0.21847754147782888]
  本研究では、BrainChip上の畳み込みスパイクニューラルネットワーク(CSNN)をトレーニングし、実装するために、数発の転送学習手法の使用について検討する。 その結果、ニューロモルフィックハードウェアのエネルギー効率は97%以上低下し、レイテンシは1.3*しか増加しなかった。
  論文  参考訳（メタデータ） (2024-07-21T15:35:46Z)
• 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)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Nucleus-aware Self-supervised Pretraining Using Unpaired Image-to-image Translation for Histopathology Images [3.8391355786589805]
  病理組織像のための新しい核認識型自己教師型プレトレーニングフレームワークを提案する。 このフレームワークは、未ペア画像から画像への変換によって核形態や分布情報を捉えることを目的としている。 7つのデータセットに対する実験により,提案手法は,Kather分類,複数インスタンス学習,および5つの高密度予測タスクにおいて,教師付き手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-09-14T02:31:18Z)
• Neural Clamping: Joint Input Perturbation and Temperature Scaling for Neural Network Calibration [62.4971588282174]
  我々はニューラルクランプ法と呼ばれる新しい後処理キャリブレーション法を提案する。 実験の結果,Neural Clampingは最先端の処理後のキャリブレーション法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-23T14:18:39Z)
• Feature visualization for convolutional neural network models trained on neuroimaging data [0.0]
  畳み込みニューラルネットワーク(CNN)の機能可視化による最初の結果を示す。 我々は、MRIデータに基づく性分類や人為的病変分類など、さまざまなタスクのためにCNNを訓練した。 得られた画像は、その形状を含む人工的な病変の学習概念を明らかにするが、性分類タスクにおける抽象的な特徴を解釈することは困難である。
  論文  参考訳（メタデータ） (2022-03-24T15:24:38Z)
• Learning Personal Representations from fMRIby Predicting Neurofeedback Performance [52.77024349608834]
  機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。 この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
  論文  参考訳（メタデータ） (2021-12-06T10:16:54Z)
• ICAM-reg: Interpretable Classification and Regression with Feature Attribution for Mapping Neurological Phenotypes in Individual Scans [3.589107822343127]
  本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。 Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。 本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
  論文  参考訳（メタデータ） (2021-03-03T17:55:14Z)
• 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)
• Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
  XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。 コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-02-02T21:09:39Z)

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。