論文の概要: A Fully Automatic Pipeline for 3D Dendrite Instance Segmentation in SBF-SEM
- arxiv url: http://arxiv.org/abs/2610.03332v1
- Date: Fri, 02 Oct 2026 14:04:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.410051
- Title: A Fully Automatic Pipeline for 3D Dendrite Instance Segmentation in SBF-SEM
- Title（参考訳）: SBF-SEMにおける3次元デンドライトインスタンスセグメンテーションのための完全自動パイプライン
- Abstract要約: YOLOv6-guided Segment Anything Model (SAM) を用いた3次元デンドライトインスタンスセグメンテーションのための完全自動パイプラインを提案する。
我々は,コヒーレントでよく分離されたデンドライトを,高い意味的精度(Dice 0.93, 0.91)で再構築し,制御組織に対する強いインスタンスレベルの性能を示した。
高精細化段階は細い樹状突起を復元し、下流のスピンレベル解析の基礎となる。
- 参考スコア（独自算出の注目度）: 36.94429692322632
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate three-dimensional (3D) reconstruction of individual dendrites in serial block-face scanning electron microscopy (SBF-SEM) is essential for quantifying structural plasticity in the brain, yet manual annotation at scale is infeasible. We present a fully automatic pipeline for 3D dendrite instance segmentation that unifies YOLOv6-guided Segment Anything Model (SAM) prompting on downsampled slices, iterative two-dimensional mask refinement, random forest 3D instance linking, and instance-aware high-resolution refinement using nnU-Net at native resolution into a single system requiring no manual prompting at inference. Applied to hippocampal CA1 SBF-SEM datasets from a control rat and a pilocarpine- induced epileptic rat, our pipeline reconstructs coherent, well- separated dendrites with high semantic accuracy (Dice 0.93 and 0.91) and strong instance-level performance on control tissue, while analysis of the more challenging epileptic tissue identifies instance recognition in dense regions as the principal remaining limitation. The high-resolution refinement stage recovers thin dendritic protrusions, providing a basis for downstream spine- level analysis. Code is available at https://github.com/ ZE-WEN/dendrite-3d-instance-seg.
- Abstract（参考訳）: 連続的ブロック面走査電子顕微鏡(SBF-SEM)における個々のデンドライトの正確な3次元再構成は、脳の構造的可塑性の定量化に不可欠であるが、大規模な手動アノテーションは実現不可能である。
そこで本研究では, YOLOv6-guided Segment Anything Model (SAM) を統一した3Dデンドライトインスタンスセグメンテーションのための完全自動パイプラインを提案する。
コントロールラットとピロカルピン誘発てんかんラットの海馬CA1 SBF-SEMデータセットに応用し,本パイプラインは, セマンティックな精度(Dice 0.93, 0.91)と, コントロール組織に対する強いインスタンスレベルの性能で, 一貫性のある, 明瞭なデンドライトを再構成する。
高精細化段階は細い樹状突起を復元し、下流のスピンレベル解析の基礎となる。
コードはhttps://github.com/ZE-WEN/dendrite-3d-instance-segで入手できる。
関連論文リスト
- A Dual-Stream Regulated Reconstruction and Segmentation Network with Hierarchical Artifact-Prior Modeling for Ultra-Low-Field Pediatric Neuroimaging [2.4735298987648195]
1つの推論パイプライン内で3つのタスクをまとめて実行するLISA 2026 Challengeの統一フレームワークを提案する。
3次元U-Net上に構築された2つのストリームを持つネットワークは、まず拡張されたULFボリュームを再構成し、その後、原画像と拡張画像を組み合わせて皮質下セグメンテーションを行う。
アーティファクトグラフに条件付きヘッドは、復元残差と凍結セグメンテーション特徴から7つのアーティファクト評価を予測する。
論文 参考訳（メタデータ） (2026-09-17T15:26:57Z) - Beyond Isotropic Assumptions: Continuity-Constrained Segmentation and GPU Morphometry for Nanoscale GBM Analysis [1.3107669223114085]
共焦点顕微鏡による3Dの複雑な生物学的構造を解明する。
セグメンテーションモデルをトレーニングするには、アップサンプリングされた空間で密集したアノテーションが必要であり、これは禁止的なラベル付けの負担である。
我々は、追加のアノテーションなしでこれを克服するエンドツーエンドのGPUアクセラレーションフレームワークを提示します。
論文 参考訳（メタデータ） (2026-08-04T18:28:19Z) - FDR-Occ: Factorized Dense Routing for Full-Spectrum 3D Occupancy Prediction [63.738631229597274]
視覚に基づく3次元占有予測は、基本的に2次元から3次元のビュー変換に依存している。
現在のパラダイムは、厳密でスパースなカメラ線にルーティング行列を人工的に制限する明示的な物理射影を主に利用している。
本稿では,このボトルネックを解消するためにFDR(Facterized Dense Routing)を提案する。
本フレームワークは,Occ3D-nuScenesおよびOcc3D-Waymoベンチマークの最先端性能を実現する。
論文 参考訳（メタデータ） (2026-07-04T11:12:42Z) - Sampling-Aware 3D Spatial Analysis in Multiplexed Imaging [6.355732454577005]
高多重顕微鏡は、単一細胞の分解能で組織をリッチに特徴づけることができる。
ほとんどの分析は、本質的に3次元組織組織であるにもかかわらず、2次元の切断に依存している。
直列断面からのスパースかつ一貫した3次元解析を可能にする幾何認識再構成モジュールを提案する。
論文 参考訳（メタデータ） (2026-04-09T06:59:15Z) - Vector Representations of Vessel Trees [12.391128284848135]
本稿では,3次元血管ネットワークに着目した木構造幾何データのベクトル表現を学習するための新しいフレームワークを提案する。
我々のフレームワークであるVeTTAは、医用画像における解剖学的構造を正確に、柔軟で、位相的に一貫したモデリングを提供する。
論文 参考訳（メタデータ） (2025-06-11T20:34:08Z) - Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。
我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
論文 参考訳（メタデータ） (2023-07-13T08:27:09Z) - Multi-initialization Optimization Network for Accurate 3D Human Pose and
Shape Estimation [75.44912541912252]
我々はMulti-Initialization Optimization Network(MION)という3段階のフレームワークを提案する。
第1段階では,入力サンプルの2次元キーポイントに適合する粗い3次元再構成候補を戦略的に選択する。
第2段階では, メッシュ改質トランス (MRT) を設計し, 自己保持機構を用いて粗い再構成結果をそれぞれ洗練する。
最後に,RGB画像の視覚的証拠が与えられた3次元再構成と一致するかどうかを評価することで,複数の候補から最高の結果を得るために,一貫性推定ネットワーク(CEN)を提案する。
論文 参考訳（メタデータ） (2021-12-24T02:43:58Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。
従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。
我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。
これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文 参考訳（メタデータ） (2020-08-31T17:10:48Z)
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。