論文の概要: NeuroRefiner: Morphology-Aware Multi-Agent Refinement for 3D Fluorescence Microscopy Neuron Segmentation
- arxiv url: http://arxiv.org/abs/2608.09636v1
- Date: Mon, 10 Aug 2026 14:14:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.301205
- Title: NeuroRefiner: Morphology-Aware Multi-Agent Refinement for 3D Fluorescence Microscopy Neuron Segmentation
- Title（参考訳）: Neuro Refiner : 3次元蛍光顕微鏡によるニューロン分割のための形態認識型マルチエージェントリファインメント
- Abstract要約: 本研究では, 反復的グローバル観測と局所編集を含む人間の専門的ワークフローを形式化するシステムであるNeuroRefinerを提案する。
NeuroRefinerは、トポロジカルエラーの診断、修正命令の生成、精製品質の検証のための3つの協調剤からなる。
エージェント命令誘導セグメンテーションの改良を容易にするために, クロスモーダル特徴融合を利用した3次元U-Net専用ツールであるTopoRefineNetを提案する。
- 参考スコア（独自算出の注目度）: 15.378294567201813
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate 3D neuron segmentation in fluorescence microscopy is critical for neuroscience. However, the sparse and elongated morphology of neurons poses significant challenges to existing segmentation methods. These methods struggle to preserve both local details and global topology, leading to fragmented results. To address this, we propose NeuroRefiner, a multi-agent system that formalizes the human expert workflow involving iterative global observation and local editing. Specifically, NeuroRefiner comprises three collaborative agents dedicated to diagnosing topological errors, generating correction instructions, and validating refinement quality. To facilitate agent instruction-guided segmentation refinement, we propose TopoRefineNet, a dedicated 3D U-Net-based tool that leverages cross-modality feature fusion to generate refined masks. Through multi-round agent reasoning and voxel-level editing, NeuroRefiner produces topologically more accurate segmentations with enhanced interpretability. Experiments on the BigNeuron, CWMBS, and ZBFWB datasets demonstrate that NeuroRefiner outperforms state-of-the-art methods, notably achieving a 3.02% improvement in F1 score on the challenging ZBFWB dataset.
- Abstract（参考訳）: 蛍光顕微鏡における正確な3Dニューロンセグメンテーションは神経科学にとって重要である。
しかし、神経細胞のスパースと伸長形態は、既存のセグメンテーション法に重大な課題をもたらす。
これらの手法は、局所的な詳細とグローバルなトポロジーの両方を保存するのに苦労し、断片化された結果をもたらす。
この問題を解決するために,我々は,反復的グローバルな観察と局所的な編集を含む人間の専門家ワークフローを形式化するマルチエージェントシステムであるNeuroRefinerを提案する。
特に、NeuroRefinerは、トポロジカルエラーの診断、修正命令の生成、精製品質の検証のための3つの協調剤を含む。
エージェント命令誘導セグメンテーションの改良を容易にするために, クロスモーダル特徴融合を利用した3次元U-Net専用ツールであるTopoRefineNetを提案する。
マルチラウンドエージェント推論とボクセルレベルの編集により、NeuroRefinerは、解釈性を高めたトポロジカルにより正確なセグメンテーションを生成する。
BigNeuron、CWMBS、ZBFWBデータセットの実験は、NeuroRefinerが最先端の手法より優れていることを示した。
関連論文リスト
- Neuron-Guided Fine-Tuning: Unlocking Efficient Alignment Mechanisms for Large Language Models [73.88918843965155]
既存のSupervised Fine-Tuningパラダイムは、パラメータ冗長性、一貫性のないデータ品質、破滅的な忘れによって悩まされることが多い。
我々は、ニューロン活性化パターンを普遍的なプロキシとして活用し、微調整ライフサイクルを統一する全体的枠組みであるNGFT(Neuron-Guided Fine-Tuning)を提案する。
論文 参考訳（メタデータ） (2026-09-05T06:13:24Z) - AnaDiffusion: Anatomically CompositionalLatent Diffusion for Controllable 3D Brain MRI Generation [58.56402940400457]
3次元脳MRIは、医用画像、シミュレーション、および制御可能な解剖学的解析において大きな進歩を遂げた。
本稿では,AnaDiffusionを紹介した。AnaDiffusionは解剖学的に有意な領域に生成過程を分解する,解剖学的に構成された潜在拡散フレームワークである。
AnaDiffusionは明示的な部分資産とグローバルなコヒーレントボリュームの両方を生成し、制御可能な部分編集を可能にする。
論文 参考訳（メタデータ） (2026-08-24T09:16:42Z) - TRELLIS-Enhanced Surface Features for Comprehensive Intracranial Aneurysm Analysis [2.624902795082451]
頭蓋内大動脈瘤は, 注釈付き3Dデータによる検出, デライン化, モデル化が困難である。
本稿では,大規模非医学的3次元データセットに基づいて学習した生成モデルTRELLISで学習した潜在幾何学的埋め込みを利用したクロスドメイン特徴伝達手法を提案する。
論文 参考訳（メタデータ） (2025-09-03T07:51:17Z) - 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) - GaMNet: A Hybrid Network with Gabor Fusion and NMamba for Efficient 3D Glioma Segmentation [2.3649376465820384]
深層学習は病変のセグメンテーションに役立つが、CNNとTransformerベースのモデルは文脈モデリングを欠いていることが多く、重い計算を必要とする。
グローバルモデリングのためのNMambaモジュールと,効率的な局所特徴抽出のためのマルチスケールCNNを組み合わせたGaMNetを提案する。
本手法はより少ないパラメータと高速な計算で高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2025-05-08T04:25:22Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - 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) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳（メタデータ） (2024-01-01T10:20:01Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳（メタデータ） (2021-05-17T15:43:59Z) - Single Neuron Segmentation using Graph-based Global Reasoning with
Auxiliary Skeleton Loss from 3D Optical Microscope Images [30.539098538610013]
局所的出現とグローバルジオメトリ特性を共同で検討し,エンドツーエンドのセグメンテーションネットワークを提案する。
The evaluation results on the Janelia dataset from the BigNeuron project showed that our proposed method is over the other algorithm in performance。
論文 参考訳（メタデータ） (2021-01-22T01:27:14Z) - Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。
損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文 参考訳（メタデータ） (2020-12-31T18:53:25Z) - 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)
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。