文献

J-GLOBAL ID：201702234909702351   整理番号：17A1125611

マルチタスク学習を用いた深層ニューラルネットワークを用いた細胞追跡【Powered by NICT】

Cell tracking using deep neural networks with multi-task learning

著者 (4件)： He Tao (Machine Intelligence Laboratory, College of Computer Science, Sichuan University, Chengdu 610065, People’s Republic of China) ,  Mao Hua (Machine Intelligence Laboratory, College of Computer Science, Sichuan University, Chengdu 610065, People’s Republic of China) ,  Guo Jixiang (Machine Intelligence Laboratory, College of Computer Science, Sichuan University, Chengdu 610065, People’s Republic of China) ,  Yi Zhang (Machine Intelligence Laboratory, College of Computer Science, Sichuan University, Chengdu 610065, People’s Republic of China)
資料名： Image and Vision Computing  (Image and Vision Computing)
巻： 60  ページ： 142-153  発行年： 2017年 
JST資料番号： A0611C  ISSN： 0262-8856  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 細胞追跡は,生物医学とコンピュータビジョン分野において重要な役割を果たす。細胞は一般に,頻繁な変形活性と顕微鏡像で小サイズを持っているので,非剛体および非有意細胞を追跡診療では非常に困難である。伝統的な視覚追跡法は,剛体および有意な視対象の追跡に良好な性能を持つが,細胞追跡問題には適していない。本論文では,畳込みニューラルネットワーク(CNN)とマルチタスク学習(MTL)法を用いて提案した新しい細胞追跡法。CNNは,ロバストな細胞特徴を学習し,MTLは追跡の一般化性能を改善した。提案した細胞追跡法は,粒子フィルタ運動モデル,マルチタスク学習観測モデル,最適化されたモデル更新戦略から構成されている。訓練手順では,細胞追跡はMTL法を用いたオンライン追跡作業とそれに伴う分類タスクに分割した。観測モデルは,ロバストな細胞特徴を学習するためにCNNを構築することにより訓練した。追跡法は顕微鏡画像シーケンスの最初のフレームにおける細胞位置を割り当てることにより開始した。粒子フィルタモデルは後続フレームでの候補境界ボックスのセットを生成するために適用される。訓練された観測モデルは候補の全てに対応する信頼確率を提供し,最終予測として最も可能性のある候補を選択する。最後に,トラッキング手続き全体にわたって追跡細胞の変化のためのマルチタスク観測モデルを可能にするために提案した最適化モデル更新戦略。提案した方法の性能とロバスト性は,他の一般的に使用される方法と比較して解析した。実験結果は,提案した方法は,細胞追跡問題に良好な性能を持つことを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： モデル ,  剛体 ,  *学習 ,  予測 ,  ロバスト性 ,  コンピュータビジョン ,  最適化 ,  *ニューラルネットワーク
準シソーラス用語： *マルチタスク ,  画像列 ,  モデル更新 ,  観測モデル ,  粒子フィルタ ,  *細胞追跡 ,  *マルチタスク学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 細胞追跡 ,  深い学習 ,  畳込みニューラルネットワーク ,  マルチタスク学習

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： マルチタスク学習 ,  深層ニューラルネットワーク ,  細胞追跡