論文の概要: SkNeXt enables topology-guided neuronal reconstruction from petabyte-scale microscopy data

• arxiv url: http://arxiv.org/abs/2609.09832v1
• Date: Wed, 09 Sep 2026 07:39:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.939288
• Title: SkNeXt enables topology-guided neuronal reconstruction from petabyte-scale microscopy data
• Title（参考訳）: SkNeXtはペタバイト規模の顕微鏡データからトポロジー誘導型神経細胞再構築を可能にする
• Abstract要約: 我々は、大規模な顕微鏡データセットからスケーラブルな神経細胞再構築のためのフレームワーク、SkNeXtを提案する。 1週間以内にマウス脳のペタバイト規模の超高分解能蛍光データセットから神経細胞を1個のGPUで再構成した。
• 参考スコア（独自算出の注目度）: 0.6439586820028295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in high-resolution fluorescence and electron microscopy have enabled nanoscale imaging across increasingly large brain volumes, but the resulting terabyte- to petabyte-scale datasets make complete neuronal reconstruction prohibitively expensive in computation, data movement, and manual proofreading. Here, we present SkNeXt, a topology-first framework for scalable neuronal reconstruction from large volumetric microscopy datasets. Instead of densely processing entire image volumes, SkNeXt first converts neuronal morphology into compact SWC skeletons that preserve long-range connectivity. Proofreading is therefore focused on sparse neuronal trees, allowing branch, continuity, and connectivity errors to be corrected before high-resolution reconstruction. The corrected skeletons then serve as persistent structural priors for recovering detailed morphology while preserving neuronal identity and topology. Crucially, SkNeXt also uses neuronal skeletons as spatial indices for selective data access, retrieving high-resolution image regions only along reconstructed trajectories and bypassing most background and signal-free volumes. This substantially reduces I/O and computational overhead, allowing reconstruction cost to scale with neuronal morphology rather than total dataset size. Using SkNeXt, we reconstructed neurons from a petabyte-scale super-resolution fluorescence dataset of the mouse brain on a single GPU within one week, without requiring exhaustive dense inference across the complete imaging volume.
• Abstract（参考訳）: 近年の高分解能蛍光と電子顕微鏡の進歩により、ますます大きな脳の容積にわたってナノスケールのイメージングが可能になったが、結果としてテラバイトからペタバイト規模のデータセットは、計算、データ移動、手動の検定において、完全な神経細胞の再構築を違法に高価なものにしている。 ここでは、大規模マイクロスコープデータセットからスケーラブルなニューロン再構築のためのトポロジファーストフレームワークであるSkNeXtを紹介する。 SkNeXtは、画像のボリューム全体を密に処理する代わりに、まず神経形態を長距離接続を維持する小型のSWC骨格に変換する。 プロフォフレディングは、高解像度再構成の前に分岐、連続、接続エラーを修正できるように、疎い神経樹に重点を置いている。 修正された骨格は、神経のアイデンティティとトポロジーを保ちながら詳細な形態を回復するための永続的な構造的先行として機能する。 重要なことに、SkNeXtは選択的なデータアクセスのための空間的指標として神経骨格を使用し、再構成された軌跡に沿って高解像度の画像領域を検索し、ほとんどのバックグラウンドや信号のないボリュームをバイパスする。 これにより、I/Oと計算オーバーヘッドが大幅に削減され、全体のデータセットサイズではなく、神経形態学による再構築コストが増大する。 SkNeXtを用いて、1週間以内にマウス脳の1ペタバイト規模の超解像蛍光データセットからニューロンを再構築した。

関連論文リスト

• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• 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)
• NeuroFly: A framework for whole-brain single neuron reconstruction [17.93211301158225]
  本稿では,大規模な単一ニューロン再構築のための検証フレームワークであるNeuroFlyを紹介する。 NeuroFlyはプロセスを、セグメンテーション、接続、証明の3つのステージに分割する。 私たちの目標は、ニューロン再構築の課題に取り組むために、研究者間のコラボレーションを促進することです。
  論文  参考訳（メタデータ） (2024-11-07T13:56:13Z)
• TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
  本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。 TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。 また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
  論文  参考訳（メタデータ） (2024-05-27T05:45:51Z)
• 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)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• The XPRESS Challenge: Xray Projectomic Reconstruction -- Extracting Segmentation with Skeletons [65.73888157730973]
  X線ホログラフィーナノトモグラフィー(XNH)は、顕微鏡よりはるかに大規模な脳組織の高解像度画像を提供することができる。 マウス脳の皮質白質軸索のXNH像と軸索軌跡の接地真実アノテーションを提供する。
  論文  参考訳（メタデータ） (2023-02-08T00:53:46Z)
• 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)
• Voxel-wise Cross-Volume Representation Learning for 3D Neuron Reconstruction [27.836007480393953]
  本稿では,エンコーダとデコーダのセグメンテーションモデルに基づいて,新しいボクセルレベルのクロスボリューム表現学習パラダイムを提案する。 我々の手法は推論中に余分なコストを伴わない。 提案手法は,BigNeuronプロジェクトから得られた42個の3次元ニューロン画像に基づいて,元のセグメンテーションモデルの学習能力を向上させる。
  論文  参考訳（メタデータ） (2021-08-14T12:17:45Z)
• 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)

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。