Informační systém výzkumu,
vývoje a inovací

Rejstřík informací o výsledcích

Jednoduché vyhledávání

Zpět na hledáníImplicit Neural Representations for Generative Modeling of Living Cell Shapes (2022)výskyt výsledku

Identifikační kód RIV/00216224:14330/22:00125774
Název v anglickém jazyce Implicit Neural Representations for Generative Modeling of Living Cell Shapes
Druh D - Stať ve sborníku
Jazyk eng - angličtina
Vědní obor 10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Rok uplatnění 2022
Kód důvěrnosti údajů S - Úplné a pravdivé údaje o výsledku nepodléhající ochraně podle zvláštních právních předpisů.
Počet výskytů výsledku 1
Počet tvůrců celkem 5
Počet domácích tvůrců 2
Výčet všech uvedených jednotlivých tvůrců David Svoboda (státní příslušnost: CZ - Česká republika, domácí tvůrce: A, vedidk: 6056229, orcid: 0000-0001-6074-0164, researcherid: D-3739-2013)
David Wiesner (státní příslušnost: CZ - Česká republika, domácí tvůrce: A, vedidk: 2540179, orcid: 0000-0002-6720-6287)
Sven Dummer (státní příslušnost: NL - Nizozemsko)
Julian Suk (státní příslušnost: NL - Nizozemsko)
Jelmer Wolterink (státní příslušnost: CZ - Česká republika)
Popis výsledku v anglickém jazyce Methods allowing the synthesis of realistic cell shapes could help generate training data sets to improve cell tracking and segmentation in biomedical images. Deep generative models for cell shape synthesis require a light-weight and flexible representation of the cell shape. However, commonly used voxel-based representations are unsuitable for high-resolution shape synthesis, and polygon meshes have limitations when modeling topology changes such as cell growth or mitosis. In this work, we propose to use level sets of signed distance functions (SDFs) to represent cell shapes. We optimize a neural network as an implicit neural representation of the SDF value at any point in a 3D+time domain. The model is conditioned on a latent code, thus allowing the synthesis of new and unseen shape sequences. We validate our approach quantitatively and qualitatively on C. elegans cells that grow and divide, and lung cancer cells with growing complex filopodial protrusions. Our results show that shape descriptors of synthetic cells resemble those of real cells, and that our model is able to generate topologically plausible sequences of complex cell shapes in 3D+time.
Klíčová slova oddělená středníkem cell shape modeling;neural networks;implicit neural representations;signed distance function;generative model;interpolation
Stránka www, na které se nachází výsledek http://dx.doi.org/10.1007/978-3-031-16440-8_6
DOI výsledku 10.1007/978-3-031-16440-8_6
Odkaz na údaje z výzkumu -

Údaje o výsledku v závislosti na druhu výsledku

Název sborníku International Conference on Medical Image Computing and Computer Assisted Intervention
ISBN 9783031164392
ISSN 0302-9743
e-ISSN -
Počet stran výsledku 10
Strana od-do 58-67
Název nakladatele Springer Nature Switzerland
Místo vydání Switzerland
Místo konání akce Singapore
Datum konání akce 2022
Typ akce podle státní příslušnosti účastníků WRD - Celosvětová
Kód UT WoS článku podle Web of Science 000867306400006
EID výsledku v databázi Scopus 2-s2.0-85139005480

Ostatní informace o výsledku

Předkladatel Masarykova univerzita / Fakulta informatiky
Dodavatel MSM - Ministerstvo školství, mládeže a tělovýchovy (MŠMT)
Rok sběru 2023
Specifikace RIV/00216224:14330/22:00125774!RIV23-MSM-14330___
Datum poslední aktualizace výsledku 28.05.2023
Kontrolní číslo 192481383 ( v1.0 )

Odkazy na výzkumné aktivity, při jejichž řešení výsledek vznikl

Projekt podporovaný MŠMT v programu EF EF18_046/0016045 - Modernizace národní infrastruktury pro biologické a medicínské zobrazování Czech-BioImaging (2020 - 2023)
Projekt podporovaný MŠMT v programu LM LM2018129 - Národní infrastruktura pro biologické a medicínské zobrazování Czech-BioImaging (2020 - 2022)
Podpora / návaznosti Specifický výzkum na vysokých školách, poskytovatel MŠMT
Vyhledávání ...