論文の概要: AxonSynth: Domain-Randomized Synthetic Data for Zero-Shot 3D Axon Segmentation in Light-Sheet Microscopy
- arxiv url: http://arxiv.org/abs/2609.31431v2
- Date: Tue, 29 Sep 2026 19:05:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:25.647367
- Title: AxonSynth: Domain-Randomized Synthetic Data for Zero-Shot 3D Axon Segmentation in Light-Sheet Microscopy
- Title（参考訳）: AxonSynth:Zero-Shot 3D Axon Segmentationのためのドメインランダム化合成データ
- Abstract要約: Axon Synthは3Dアクソンセグメンテーションモデルをトレーニングするためのドメインランダム化合成データフレームワークである。
3D級のU-Netは、背景、軸索シース、軸索内空間を予測するために訓練されている。
- 参考スコア（独自算出の注目度）: 0.6921303295058717
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate segmentation of axons in 3D microscopy data is important for analyzing white-matter organization, but dense ground truth labels are expensive to obtain. Existing supervised axon segmentation methods rely on target-domain annotations and can be brittle when tissue type, species, modality, or acquisition conditions change. We present AxonSynth, a domain-randomized synthetic-data framework for training 3D axon segmentation models without manually annotated real training volumes. AxonSynth generates dense synthetic axon labels with orientation priors that reflect realistic fiber configurations and renders them with randomized density, contrast, bias fields, blur, and noise. A three-class 3D U-Net is trained to predict background, axon sheath and intra-axonal space. We evaluate zero-shot transfer on 10 held-out light-sheet microscopy (LSM) patches from macaque and human brain samples labeled with one of three axonal markers, comparing against calibrated thresholding and Frangi filtering using overlap, corrected detection, false-positive, and topology metrics. On macaque samples, AxonSynth achieved the best corrected Dice and corrected precision (0.826 and 0.851), compared with 0.765 and 0.754 for thresholding and 0.685 and 0.762 for Frangi. On human samples, corrected Dice was comparable to thresholding (0.857 vs. 0.868), while component-count error decreased from 22,504 to 3,377. Across all held-out patches, AxonSynth reduced component-count error in 10/10 patches and Euler-characteristic error in 8/10. These results show that synthetic-label domain randomization can reduce dependence on manual axon annotation while supporting synthetic-to-real 3D segmentation.
- Abstract（参考訳）: 3次元顕微鏡データにおけるアクソンの正確なセグメンテーションは, ホワイトマター組織を解析するために重要であるが, 密度の高い地中真理ラベルを得るには高価である。
既存の制御された軸索分割法は、標的ドメインアノテーションに依存しており、組織の種類、種、モダリティ、取得条件が変化すると脆くなる。
本稿では,AxonSynthについて紹介する。AxonSynthは3次元軸索分割モデルのトレーニング用ドメインランダム化合成データフレームワークである。
AxonSynthは、現実的な繊維構成を反映し、ランダム化された密度、コントラスト、バイアス場、ぼかし、ノイズでそれらをレンダリングする、配向優先の高密度な合成軸索ラベルを生成する。
3D級のU-Netは、背景、軸索シース、軸索内空間を予測するために訓練されている。
3つの軸索マーカーのうちの1つをラベル付けしたマカクとヒトの脳サンプルからの10個のホールドアウト光シート顕微鏡(LSM)パッチのゼロショット転送を、重なり、補正検出、偽陽性、トポロジーメトリクスを用いて、校正しきい値とFrangiフィルタリングと比較した。
マカクのサンプルでは、AxonSynth は、フレジの0.765と0.754、フランジの0.685と0.762と比較して、最高の修正Diceと精度(0.826と0.851)を達成した。
ヒトのサンプルでは,修正Diceはしきい値(0.857 vs. 0.868)に匹敵し,成分数誤差は22,504から3,377に減少した。
すべてのホールドアウトパッチに対して、AxonSynthは10/10パッチでコンポーネント数エラーを減らし、8/10でEuler-characteristicエラーを減らした。
これらの結果から,合成-ラベル領域のランダム化は,手動軸索アノテーションへの依存を軽減し,合成-実-実-実-3次元セグメンテーションをサポートできることが示唆された。
関連論文リスト
- A Dominant Diffuse Phase in the Sparse Autoencoder Phase Diagram [0.0]
スパースオートエンコーダ(SAE)は、ニューラルネットワークのアクティベーションから解釈可能な特徴を回復するために、ますます使われるようになっている。
MAIS-O43開放問題では、真の合成辞書の回復が特徴付けの方法を与えるときに特徴付ける制御実験が提案されている。
論文 参考訳（メタデータ） (2026-09-09T15:13:42Z) - Deposon: An Auditable, Conservation-Guaranteed, Game-Theoretically Tested Scattering Layer over LLM Reasoning Paths [0.0]
マルチステップLSM推論では、マシンの再チェック可能な台帳が欠落している。
LLM生成した概念分解グラフの各ノードに結合するデポソン散乱層を提案する。
論文 参考訳（メタデータ） (2026-09-08T16:40:31Z) - Dataset Distillation by Influence Matching [42.09931906541133]
Inf-Matchは、収束したパラメータに影響を及ぼすコンパクトな合成集合を学習する。
標準分類ベンチマークで最高の精度を提供する。
Inf-MatchはFlickr30Kの視覚言語蒸留にスケールし、強力なプロセスマッチングベースラインを上回っている。
論文 参考訳（メタデータ） (2026-07-18T15:47:03Z) - The Effects of Synthetic Data and Label Distribution on Canola Branch Counting [1.4946384731792854]
キャノラ分岐計数タスクにおいて、校正Lシステムプラントモデルを用いてResNet-18モデルを訓練する。
1:5から1:22の合成と現実の比率は性能を向上し、最高の比(1:7)は平均絶対差を7.6%減らす。
1ラベルあたりの合成画像が最低10枚は、控えめな利得で簡単な代替手段を提供するが、ラベルあたり100枚は過度に修正され、性能が損なわれる。
論文 参考訳（メタデータ） (2026-07-10T17:27:58Z) - When Does Synthetic Patent Data Help? Volume-Fidelity Trade-offs in Low-Resource Multi-Label Classification [0.0]
BERT-for-PatentsのマイクロF1の改良は,主に体積効果を反映していることが示されている。
生のマイクロF1における分類性能を+0.58まで向上させるコーパスは、ジャカードオーバーラップ検索プロキシに悪影響を及ぼす可能性がある。
論文 参考訳（メタデータ） (2026-05-22T23:49:52Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - Symbolic Augmentation Closes a Canonical-Equivalence Blind Spot in Neural Fact-Checkers [1.7844382164707184]
我々は,5種類の型付き誤り分類と1500石のベンチマークを導入する。
このベンチマークで微調整されたModernBERTエンコーダはマクロF1 = 0.899に達する。
本稿では,ラベル保存型強化トレーニングデータを生成するために,シンボル検証器のモジュールを逆向きに動作させる訓練時フレームワークであるSybolic Augmentationを提案する。
論文 参考訳（メタデータ） (2026-05-19T15:58:00Z) - Hierarchy-Guided Topology Latent Flow for Molecular Graph Generation [44.50339042016925]
本稿では,グローバルコンテキストに対する潜在的マルチスケールプランを用いた3次元座標を用いた結合グラフを生成するプランナー・エグゼクタモデルを提案する。
HLTFは98.8%の原子安定性と92.9%の有効・均一性を達成し、PoseBustersの妥当性は94.0%(+0.9)に向上した。
GEOM-DRUGSでは、HLTFは後処理なしで85.5%/85.0%の妥当性/バリッド・ユニク・ノーベル、標準化された緩和後の92.2%/91.2%を達成している。
論文 参考訳（メタデータ） (2026-03-28T03:48:13Z) - Bounding Box-Guided Diffusion for Synthesizing Industrial Images and Segmentation Map [50.21082069320818]
最小限の監督で高忠実度産業データセットを生成するための拡散型パイプラインを提案する。
提案手法では, 拡張有界箱表現の拡散モデルを用いて, 正確なセグメンテーションマスクを生成する。
その結果、拡散に基づく合成は、人工的な産業データと実世界の産業データとのギャップを埋めることを示した。
論文 参考訳（メタデータ） (2025-05-06T15:21:36Z) - All Points Matter: Entropy-Regularized Distribution Alignment for
Weakly-supervised 3D Segmentation [67.30502812804271]
擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。
本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
論文 参考訳（メタデータ） (2023-05-25T08:19:31Z) - Robust Representation via Dynamic Feature Aggregation [44.927408735490005]
ディープ畳み込みニューラルネットワーク(CNN)ベースのモデルは、敵の攻撃に対して脆弱である。
本稿では,新しい正規化により埋め込み空間を圧縮する動的特徴集約法を提案する。
CIFAR-10における攻撃法の平均精度は56.91%である。
論文 参考訳（メタデータ） (2022-05-16T06:22:15Z)
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。