文献

J-GLOBAL ID：201702275918963170   整理番号：17A0795037

脳電子顕微鏡画像セグメンテーションのための残留デコンボリューションネットワーク【Powered by NICT】

Residual Deconvolutional Networks for Brain Electron Microscopy Image Segmentation

著者 (3件)： Fakhry Ahmed (Department of Computer Science, Old Dominion University, Norfolk, VA, USA) ,  Zeng Tao (School of Electrical Engineering and Computer Science, Washington State University, Pullman, WA, USA) ,  Ji Shuiwang (School of Electrical Engineering and Computer Science, Washington State University, Pullman, WA, USA)
資料名： IEEE Transactions on Medical Imaging  (IEEE Transactions on Medical Imaging)
巻： 36  号： 2  ページ： 447-456  発行年： 2017年 
JST資料番号： H0895A  ISSN： 0278-0062  CODEN： ITMID4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 電子顕微鏡(EM)画像を用いた脳におけるニューロンの間の解剖学的接合部の正確な再構成は回路マッピングのためのゴールドスタンダードであると考えられている。再構成を得るための鍵となったのは,人間レベル性能に近い精度でニューロンを自動セグメンテーションする能力である。EM画像セグメンテーションにおける最近の技術進歩にもかかわらず,それらのほとんどはデータに特異的であることをある程度手作りの特徴に依存し,一般化する能力を制限している。,エンドツーエンド訓練し,データの事前知識に依存しないEM画像セグメンテーションのためのシンプルではあるが強力な手法を提案する。提案した残留deconvolutionalネットワークは完全分解能特徴と文脈情報を捕捉する二情報経路で構成されていた。提案したモデルは,密な出力予測の矛盾する目標を達成するのに非常に有効であることを示した。フル解像度予測を維持し,十分な文脈情報を含む。EM画像における3D神経突起セグメンテーションの進行中の未解決の課題に適用した。著者らの方法は,この未解決の課題に最高の結果の一つを達成した。一貫して高い性能が得られた2D神経突起セグメンテーション挑戦的データセット上でそれを評価することにより提案手法の一般性を示した。は,著者らの方法は他の高密度出力予測問題に一般化するために期待される。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 再構成 ,  *ネットワーク ,  ニューロン ,  予測 ,  *電子顕微鏡 ,  分解能 ,  三次元 ,  解剖学 ,  *セグメンテーション ,  *画像
準シソーラス用語： 神経突起 ,  出力予測 ,  文脈情報 ,  事前知識 ,  *画像セグメンテーション , 【Automatic Indexing@JST】

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (5件)： 脳 ,  電子顕微鏡画像 ,  セグメンテーション ,  残留 ,  デコンボリューション