微調整およびハイパーパラメータ最適化を用いた樹状突起セグメンテーションのための3D畳込みニューラルネットワーク【JST・京大機械翻訳】

James Jim; Pruyne Nathan; Stan Tiberiu; Schwarting Marcus; Yeom Jiwon; Hong Seungbum; Voorhees Peter; Blaiszik Ben; Foster Ian

プレプリント

J-GLOBAL ID：202202208917883968 整理番号：22P0342356

微調整およびハイパーパラメータ最適化を用いた樹状突起セグメンテーションのための3D畳込みニューラルネットワーク【JST・京大機械翻訳】

3D Convolutional Neural Networks for Dendrite Segmentation Using Fine-Tuning and Hyperparameter Optimization

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (9件)： , , , , , , , ,
資料名：
発行年： 2022年05月02日プレプリントサーバーでの情報更新日： 2022年05月02日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

樹枝状微細構造は本質的に遍在し,金属材料における一次凝固形態である。X線計算機トモグラフィー(XCT)のような技術は,樹枝状相変態現象への新しい洞察を提供する。しかし,顕微鏡データにおける樹状形態の手動同定は,労働集約的で潜在的に曖昧である。3Dデータセットの解析は,それらの大きなサイズ(被検質)と画像体積内に散乱したアーチファクトの存在のために特に困難である。本研究では,3Dデータセットを分割するために,3D畳込みニューラルネットワーク(CNN)を訓練した。FCDenseの新しい3Dバージョンを含む3つのCNNアーキテクチャを研究した。ハイパーパラメータ最適化(HPO)と微調整技術を用いて,2Dと3D CNNアーキテクチャの両者を訓練し,以前の最先端技術より優れていることを示した。本研究で訓練された3D U-Netアーキテクチャは,定量的メトリックス(ピクセルワイズ精度99.84%,境界変位誤差0.58画素)に従って最良のセグメンテーションを生成し,一方,3D FCDenseは目視検査に従って最も滑らかな境界と最良のセグメンテーションを生成した。訓練された3D CNNsは,全852x852x250ボクセル3D体積を ̄60秒だけセグメント化することができ,従って,デンドライト凝固のような相変態現象のより深い理解に向けた進歩を遂げる。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

凝固

, , , , , ,

前のページに戻る