Распознавание объектов изображений электронной микроскопии лучевыми методами на примере митохондрий

Белокаменская А.А. Васильев Е.П. Новожилов М.М.

Журнал: Форум молодых ученых @forum-nauka

Статья в выпуске: 4 (4), 2016 года.

Бесплатный доступ

Предложен, частично конкретизирован и реализован на CPU лучевой подход к сегментации изображений электронной микроскопии для клеток мозга. Целью подхода является совмещение лучевого метода трассировки объекта с одновременным применением методов машинного обучения (ML) для сегментации. Предлагаются и обсуждаются лучевые интерпретации попиксельных и объектных признаков для ML. Реализовано экспериментальное программное обеспечение для проведения исследований. На примере сегментации митохондрий демонстрируются примеры его работы и конкретные способы реализации лучевых вариантов некоторых методов машинного обучения. Планируется расширение списка лучевых реализаций методов ML и реализация на GPU.

лучевые методы \ электронная микроскопия \ геометрическая реконструкция \ машинное обучение

Похожие статьи в разделе Программные средства

Методы трансферного обучения для сегментации клеток глиомы C6
Методы трансферного обучения для сегментации клеток глиомы C6

Илюхин Д.А., Ячная В.О., Малашин Р.О., Ермаченкова М.К., Волков А.В., Пашкевич С.Г., Денисов А.А.

Эффективность алгоритмов машинного обучения и свёрточной нейронной сети для обнаружения патологических изменений на магнитно-резонансных томограммах головного мозга
Эффективность алгоритмов машинного обучения и свёрточной нейронной сети для обнаружения патологических изменений на магнитно-резонансных томограммах головного мозга

Агафонова Юлия Дмитриевна, Гайдель Андрей Викторович, Зельтер Павел Михайлович, Капишников Александр Викторович

Короткий адрес: https://sciup.org/140276588

IDS: 140276588

Список литературы Распознавание объектов изображений электронной микроскопии лучевыми методами на примере митохондрий

  • Kaynig V. et al. Large-scale automatic reconstruction of neuronal processes from electron microscopy images // Medical Image Analysis. May 2015. V. 22, Iss. 1, P.77-88 DOI: 10.1016/j.media.2015.02.001
  • Kasthuri N. et al. Saturated Reconstruction of a Volume of Neocortex // Cell 162, 648-661 July, 2015 Elsevier Inc. DOI: 10.1016/j.cell.2015.06.054
  • Hadwiger M. et al. ConnectomeExplorer: Query-Guided Visual Analysis of Large Volumetric Neuroscience Data // IEEE Trans Vis. Comput. Graph. 2013 December; 19(12): 2868-2877. (Author manuscript; available in PMC 2015 Jan.16) DOI: 10.1109/TVCG.2013.142
  • Deroulers C. et al. Analyzing huge pathology images with open source software // Diagnostic Pathology (2013), 8:92. (https://diagnosticpathology.biomedcentral.com/articles/) DOI: 10.1186/1746-1596-8-92
  • Gavrilov, N.I.; Turlapov, V.E. Novel approach to development of direct volume rendering algorithms based on visualization quality assessment // Programming and Computer Software, 40 (4), pp. 174-184. DOI: 10.1134/S0361768814040045
  • Turlapov, V.E., Gavrilov, N.I. 3D Scientific Visualization and geometric modeling in digital biomedicine (2015) Scientific Visualization, 7 (4), pp.27-43. (rus, http://sv-journal.org/2015-4/04.php?lang=en).
  • Lucchi A. et al. Learning Structured Models for Segmentation of 2D and 3D Imagery IEEE Transactions on Medical Images, March 2014, p.1-15 (https://infoscience.epfl.ch/record/203681/files/paper.pdf?version=1)
  • Delon Julie. A non parametric approach for histogram segmentation (2006). 6 p. (http://desolneux.perso.math.cnrs.fr/papers/DDLP_HistIP_07.pdf
Еще