論文の概要: CORAL: A Benchmark for Structure-aware and Brain-wide Neuron Reconstruction in Light Microscopy
- arxiv url: http://arxiv.org/abs/2608.30768v1
- Date: Mon, 31 Aug 2026 13:32:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.418829
- Title: CORAL: A Benchmark for Structure-aware and Brain-wide Neuron Reconstruction in Light Microscopy
- Title（参考訳）: 光学顕微鏡における構造認識と脳全体ニューロン再構築のベンチマーク
- Abstract要約: CORALは、光顕微鏡画像から自動的にニューロンを再構築する構造を意識した最初のベンチマークである。
脳全体のニューロン追跡フレームワークを開発し、任意の局所的再構成手法を脳全体の規模に拡張する。
- 参考スコア（独自算出の注目度）: 32.18941075293363
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automatic neuron reconstruction from light microscopy images is a central problem in computational neuroanatomy. While recent methods have achieved encouraging results on local image blocks, it remains unclear whether such progress translates to reconstruction that is both structurally accurate and scalable to the whole-brain scale. We present CORAL, the first benchmark for structure-aware evaluation of automatic neuron reconstruction from light microscopy images at both local and whole-brain scales. Built on a high-quality whole-brain fMOST dataset with carefully curated annotations, CORAL establishes two progressive tasks: block-level reconstruction, which evaluates reconstruction methods under limited spatial context, and brain-wide reconstruction, which assesses complete neuron reconstruction at the whole-brain scale. To account for topological correctness beyond geometric distance similarity, we introduce a structure-aware metric based on fiber prediction. To further achieve complete neuron reconstruction across the entire brain, we develop a brain-wide neuron tracing framework that extends arbitrary local reconstruction methods to the whole-brain scale through an iterative local-to-global process. Using this benchmark, we provide the first structure-aware comparison of mainstream methods for local neuron reconstruction and further evaluate their performance in brain-wide reconstruction. Our results underscore the importance of structure-aware evaluation and the need for more robust methods for complete neuron reconstruction.
- Abstract（参考訳）: 光顕微鏡画像からのニューロンの自動再構成は、計算神経解剖学における中心的な問題である。
近年の手法は局所的な画像ブロックにおいて促進的な結果を得たが、そのような進歩が構造的精度と拡張性の両方を脳全体の規模に変換するかどうかは不明である。
局所的および全脳規模の光顕微鏡画像から自動ニューロン再構築を評価するための最初のベンチマークであるCORALを提案する。
高品質な全脳fMOSTデータセットに注意深い注釈を付け、CoRALは2つのプログレッシブなタスクを確立する。ブロックレベルの再構築、限られた空間環境下で再構成方法を評価すること、脳全体の再構築、全脳スケールでの完全なニューロン再構築を評価することである。
幾何学的距離の類似性を超えた位相的正しさを考慮し,ファイバー予測に基づく構造認識計量を導入する。
脳全体にわたる完全なニューロン再構築を実現するために、我々は、任意の局所的再構築方法を反復的な局所的-局所的プロセスを通じて脳全体の規模に拡張する、脳全体でのニューロン追跡フレームワークを開発した。
このベンチマークを用いて、局所ニューロン再構築の主流手法に関する最初の構造認識比較を行い、脳全体の再構築におけるその性能を更に評価する。
本研究は, 構造認識評価の重要性と, 完全ニューロン再建のためのより堅牢な方法の必要性を明らかにするものである。
関連論文リスト
- Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。
MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
論文 参考訳（メタデータ） (2025-10-25T15:40:07Z) - 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) - From Flat to Round: Redefining Brain Decoding with Surface-Based fMRI and Cortex Structure [11.760848227175591]
人間の脳活動(例えばfMRI)から視覚刺激を再構築することは神経科学とコンピュータビジョンを橋渡しする。
球面上の空間的コヒーレントな2次元球面データとしてfMRI信号を明示的にモデル化する新しいスフィア・トークンーザを提案する。
また、構造MRIデータの統合も提案し、個々の解剖学的変動をパーソナライズした符号化を可能にする。
論文 参考訳（メタデータ） (2025-07-22T09:34:39Z) - Are Pixel-Wise Metrics Reliable for Sparse-View Computed Tomography Reconstruction? [61.48804987263701]
解剖学的構造全体にわたる構造的完全性を評価するために,解剖学的評価尺度の組を提案する。
CAREは、重要な構造物の解剖学的保存を促進するために、訓練中に構造的罰則を取り入れている。
CAREはCT再建における構造的完全性を大幅に改善し、大臓器では+32%、小臓器では+22%、小腸では+40%、血管では+36%となる。
論文 参考訳（メタデータ） (2025-06-02T17:07:10Z) - On The Expressivity of Recurrent Neural Cascades [48.87943990557107]
リカレントニューラルカスケード(Recurrent Neural Cascades、RNC)は、リカレントニューラルネットワークであり、リカレントニューロン間で循環的依存を持たない。
RNCは、グループを実装可能なニューロンを導入することで、すべての正規言語を表現できることを示す。
論文 参考訳（メタデータ） (2023-12-14T15:47:26Z) - TractGeoNet: A geometric deep learning framework for pointwise analysis
of tract microstructure to predict language assessment performance [66.43360974979386]
拡散磁気共鳴画像(dMRI)による回帰処理を行うための幾何学的深層学習フレームワークであるTractGeoNetを提案する。
回帰性能を向上させるために,新しい損失関数 Paired-Siamese Regression Los を提案する。
本手法の有効性を,2つの言語神経心理学的評価に対して予測することで評価した。
論文 参考訳（メタデータ） (2023-07-08T14:10:37Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - NRTR: Neuron Reconstruction with Transformer from 3D Optical Microscopy
Images [5.724034347184251]
本稿では,ニューロン再構成を直接予測問題とみなすニューロン再構成変換器(NRTR)を提案する。
NRTRは、エンド・ツー・エンドのニューロン再構築のための最初の画像-セット深層学習モデルである。
論文 参考訳（メタデータ） (2022-12-08T09:35:22Z) - Convolutional Neural Generative Coding: Scaling Predictive Coding to
Natural Images [79.07468367923619]
畳み込み型神経生成符号化(Conv-NGC)を開発した。
我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。
本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
論文 参考訳（メタデータ） (2022-11-22T06:42:41Z) - NeuRegenerate: A Framework for Visualizing Neurodegeneration [10.27276267081559]
被験者内の神経線維形態変化の予測と可視化のための新しいエンドツーエンドフレームワークであるNeuRegenerateを紹介する。
予測予測のために,サイクル一貫性生成対向ネットワーク(cycleGAN)に基づくディープラーニングネットワークであるneuReGANeratorを提案する。
ニューレGANeratorの再建精度は神経構造予測において94%であった。
論文 参考訳（メタデータ） (2022-02-02T16:21:14Z)
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。