Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
High Order Whitney Forms on Simplices and the Question of Potentials Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

A Learning-Based Formulation of Parametric Curve Fitting for Bioimage Analysis

verfasst von : Soham Mandal, Virginie Uhlmann

Erschienen in: Numerical Mathematics and Advanced Applications ENUMATH 2019

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Parametric curve models are convenient to describe and quantitatively characterize the contour of objects in bioimages. Unfortunately, designing algorithms to fit smoothly such models onto image data classically requires significant domain expertise. Here, we propose a convolutional neural network-based approach to predict a continuous parametric representation of the outline of biological objects. We successfully apply our method on the Kaggle 2018 Data Science Bowl dataset composed of a varied collection of images of cell nuclei. This work is a first step towards user-friendly bioimage analysis tools that extract continuously-defined representations of objects.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Modal Analysis of Elastic Vibrations of Incompressible Materials Based on a Variational Multiscale Finite Element Method
Nächstes Kapitel Adaptive Time Stepping Methods Within a Data Assimilation Framework Applied to Non-isothermal Flow Dynamics
Literatur
1.
R. Delgado-Gonzalo et al. Snakes on a plane: A perfect snap for bioimage analysis. IEEE Signal Process Mag, 32(1):41–48, 2015.CrossRef
2.
P. Brigger, J. Hoeg, and M. Unser. B-Spline snakes: A flexible tool for parametric contour detection. IEEE Trans Image Process, 9(9):1484–1496, 2000.MathSciNetCrossRef
3.
M. Jacob, T. Blu, and M. Unser. Efficient energies and algorithms for parametric snakes. IEEE Trans Image Process, 13(9):1231–1244, 2004.CrossRef
4.
T. Falk et al. U-Net: deep learning for cell counting, detection, and morphometry. Nat Methods, 16(1):67–70, 2018.CrossRef
5.
S. Berg et al. ilastik: interactive machine learning for (bio) image analysis. Nat Methods, pages 1–7, 2019.
6.
G. Myers. Why bioimage informatics matters. Nat Methods, 9(7):659, 2012.
7.
L. Qu and H. Peng. A principal skeleton algorithm for standardizing confocal images of fruit fly nervous systems. Bioinformatics, 26(8):1091–1097, 2010.CrossRef
8.
N. Lessmann et al. Vertebra partitioning with thin-plate spline surfaces steered by a convolutional neural network. In Proc of MIDL’19, London, UK, July 8–10, 2019.
9.
J. Gao et al. Deepspline: Data-driven reconstruction of parametric curves and surfaces. arXiv:1901.03781, 2019.
10.
V. Ljosa, K.L. Sokolnicki, and A.E. Carpenter. Annotated high-throughput microscopy image sets for validation. Nat Methods, 9(7):637–637, 2012.CrossRef
11.
M. Unser. Splines: A perfect fit for signal and image processing. IEEE Signal Processing Mag, 16(6):22–38, 1999.CrossRef
12.
T. Blu and M. Unser. Quantitative Fourier analysis of approximation techniques: Part I—Interpolators and projectors. IEEE Trans Signal Process, 47(10):2783–2795, 1999.MathSciNetCrossRef
13.
R. Delgado-Gonzalo, P. Thévenaz, and M. Unser. Exponential splines and minimal-support bases for curve representation. Comput Aided Geom Des, 29(2):109–128, 2012.MathSciNetCrossRef
14.
A. Krizhevsky, I. Sutskever, and G.E. Hinton. Imagenet classification with deep convolutional neural networks. In Proc of NIPS’12, pages 1097–1105, Lake Tahoe, NV, USA, December 3–8, 2012.
15.
Simonyan K. and Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv:1409.1556, 2014.
16.
D. Kingma and J. Ba. ADAM: A method for stochastic optimization. In Proc of ICLR’15, San Diego, CA, USA, May 7–9, 2015.
17.
S. Satoshi and K. Abe. Topological structural analysis of digitized binary images by border following. Comput Gr Image Process, 30(1):32–46, 1985.CrossRef
18.
G. Bradski. The OpenCV Library. Dr. Dobb’s Journal of Software Tools, 2000.
19.
C. Villani. Optimal transport: old and new. Springer, 2008.MATH
20.
H. Ling et al. Fast interactive object annotation with curve-GCN. In Proc of CVPR’19, Long Beach, CA, USA, June 16–20, 2019.
21.
R. Girshick. Fast R-CNN. In Proc of ICCV’15, pages 1440–1448, Santiago, Chile, December 13–16, 2015.
22.
L.R. Dice. Measures of the amount of ecologic association between species. Ecology, 26(3):297–302, 1945.CrossRef
Metadaten
Titel
A Learning-Based Formulation of Parametric Curve Fitting for Bioimage Analysis
verfasst von
Soham Mandal
Virginie Uhlmann
Copyright-Jahr
2021
Buch
Numerical Mathematics and Advanced Applications ENUMATH 2019

Print ISBN: 978-3-030-55873-4

Electronic ISBN: 978-3-030-55874-1

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-030-55874-1_102