抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
形態形成,細胞分裂,細胞増殖および遺伝子発現パターンのような現象を理解するためには,3次元顕微鏡画像セグメンテーションが不可欠である。最近,深い学習(DL)パイプラインが開発され,セル画像の高精度セグメンテーションを提供し,画像セグメンテーション問題のための最先端としてますます考えられている。しかし,同時ダイバーシチとしての相対的性能を定義するのは困難であり,均一評価戦略の欠如は,それらの結果がどのように比較するかを知ることを困難にする。本論文では,まず,3次元(3D)セルセグメンテーションのための利用可能なDL方法のインベントリを作成した。次に,MARSと名付けた高効率非DL法と共に,多数の代表的なDLパイプラインを実装し,定量的に比較した。DL法を3D細胞共焦点顕微鏡画像の共通データセットで訓練した。それらのセグメンテーション精度も異なる画像アーチファクトの存在下で試験した。セグメンテーション品質評価のための特定の方法を採用して,セグメンテーション誤差をアンダー/オーバーセグメンテーションにより分離した。これはセグメンテーション品質の対話型探索のための3D可視化戦略で補完される。本解析は,DLパイプラインが異なるレベルの精度を有することを示した。それらのうちの2つは,エンド3Dであり,セル境界検出用に当初設計され,高性能を示し,新しいデータへの適応性に関して明確な利点を提供する。近年,計算ニューラルネットワークに基づく多数の深層学習(DL)アルゴリズムを開発し,3D顕微鏡画像の高精度と自動セグメンテーションを達成する。これらのアルゴリズムは文献においてかなり注目されているが,それらの相対的性能を評価するのは困難であり,一方,それらが他のより古典的セグメンテーション法よりも実際に優れているかどうかは不明のままである。これらの問題を明らかにするために,3D共焦点顕微鏡画像データセットから細胞インスタンスセグメンテーションのための多数の代表的なDLパイプラインの詳細な定量的解析を行った。一般的訓練と試験データセット,評価計量と可視化を用いて,そのようなDLベースセグメンテーションパイプラインの性能を評価するプロトコルを開発した。このプロトコルを用いて,それらの強度と限界を同定するために,4つの異なるDLパイプラインを評価し,比較した。高性能非DL法も評価に含めた。DLパイプラインは,それらのモデルアーキテクチャとパイプライン成分に依存して,それらの性能において顕著な差を示すかもしれないが,全体的には,データに対する優れた適応性を示した。また,ベンチマークプロトコルが様々なセグメンテーションパイプラインとデータセットに拡張できることを示した。【JST・京大機械翻訳】
