論文の概要: ZoomSEM: accelerating large-scale brain connectomics with intelligent SEM super-resolution

• arxiv url: http://arxiv.org/abs/2610.33580v1
• Date: Sat, 24 Oct 2026 10:18:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.365248
• Title: ZoomSEM: accelerating large-scale brain connectomics with intelligent SEM super-resolution
• Title（参考訳）: ZoomSEM:知的SEM超解像を用いた大規模脳コネクトロミクスの高速化
• Abstract要約: シリアル電子顕微鏡(Serial electron microscopy, EM)は、大容量の生体イメージングとコネクトロミクスに必須である。 既存のディープラーニングに基づくEM超解像法は、小さなアップスケーリング要因に限られるか、合成データに依存している。 本稿では,SEMイメージングを劇的に高速化する深層学習に基づく超解像法ZoomSEMを紹介する。
• 参考スコア（独自算出の注目度）: 55.30435579162654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Serial electron microscopy (EM) is essential for large-volume biological imaging and connectomics, yet its throughput remains a major bottleneck, with cubic-millimeter-scale brain imaging requiring months or years. Existing deep learning-based EM super-resolution methods are limited to small upscaling factors or rely on synthetic data, offering modest acceleration and limited practical impact. We introduce ZoomSEM, a deep learning-based super-resolution method to dramatically accelerate SEM imaging. Trained on real low- and high-resolution scanning electron microscopy (SEM) pairs, ZoomSEM enables reliable recovery of 4$\times$, 8$\times$, and up to 16$\times$ higher-resolution images from fast low-resolution scans while preserving fine neuronal structures critical for connectomic analysis, achieving up to 30-fold effective acceleration. Extensive experiments across datasets of diverse biological samples demonstrate robust generalization under realistic low-resolution acquisition. This advance enables high-resolution, large-volume serial EM imaging at unprecedented speed, poised to transform connectomics and related fields.
• Abstract（参考訳）: シリアル電子顕微鏡(Serial electron microscopy, EM)は、大容量の生体イメージングとコネクトロミクスに必須であるが、そのスループットは大きなボトルネックであり、何ヶ月や何年もかかる。 既存のディープラーニングに基づくEM超解法は、小さなアップスケーリング要因に制限されるか、あるいは合成データに依存している。 本稿では,SEMイメージングを劇的に高速化する深層学習に基づく超解像法ZoomSEMを紹介する。 ZoomSEMは4$\times$, 8$\times$, 8$\times$, 16$\times$高解像度画像を高速低分解能走査から再現し、接続解析に不可欠な微細な神経細胞構造を保存し、30倍の効果的な加速を実現している。 多様な生物学的サンプルのデータセットにわたる大規模な実験は、現実的な低分解能取得の下で堅牢な一般化を示す。 この進歩により、前代未聞の速度で高分解能で大容量のシリアルEMイメージングが可能となり、コネクトロミクスや関連分野の変換が可能となった。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
  超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。 我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
  論文  参考訳（メタデータ） (2024-04-15T02:41:55Z)
• Resolution- and Stimulus-agnostic Super-Resolution of Ultra-High-Field Functional MRI: Application to Visual Studies [1.8327547104097965]
  高分解能fMRIは脳のメソスケール組織への窓を提供する。 しかし、高い空間分解能はスキャン時間を増加させ、低信号とコントラスト-ノイズ比を補う。 本研究では,fMRIのための深層学習に基づく3次元超解像法を提案する。
  論文  参考訳（メタデータ） (2023-11-25T03:33:36Z)
• Subspace modeling for fast and high-sensitivity X-ray chemical imaging [4.062272647963248]
  TXM-XANESイメージング技術は、マルチエネルギーのX線で一連の顕微鏡画像を取得して化学マップを得るという、新たなツールである。 高速かつ高感度なケミカルイメージングを実現するため,画像品質向上のためのシンプルで頑健なデノナイジング手法を提案する。
  論文  参考訳（メタデータ） (2022-01-01T23:26:06Z)
• Deep learning-based super-resolution fluorescence microscopy on small datasets [20.349746411933495]
  ディープラーニングは、技術的障壁を減らし、回折制限画像から超解像を得る可能性を示している。 本稿では,小型データセットと超解像画像の訓練を成功させた畳み込みニューラルネットワークに基づく新しいアプローチを示す。 このモデルは、大規模なトレーニングデータセットの取得が困難なMRIやX線イメージングなどの他のバイオメディカルイメージングモードに適用することができます。
  論文  参考訳（メタデータ） (2021-03-07T03:17:47Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)

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。