Implicit Neural Representations for Generative Modeling of Living Cell Shapes

WIESNER, David, Julian SUK, Sven DUMMER, David SVOBODA a Jelmer WOLTERINK. Implicit Neural Representations for Generative Modeling of Living Cell Shapes. Online. In Linwei Wang, Qi Dou, P. Thomas Fletcher, Stefanie Speidel, Shuo Li. International Conference on Medical Image Computing and Computer Assisted Intervention. Switzerland: Springer Nature Switzerland, 2022, s. 58-67. ISBN 978-3-031-16439-2. Dostupné z: https://dx.doi.org/10.1007/978-3-031-16440-8_6.

Základní údaje

Originální název

Implicit Neural Representations for Generative Modeling of Living Cell Shapes

Název česky

Implicitní neurální reprezentace pro generativní modelování tvaru živých buněk

Autoři

WIESNER, David (203 Česká republika, domácí), Julian SUK (528 Nizozemské království), Sven DUMMER (528 Nizozemské království), David SVOBODA (203 Česká republika, garant, domácí) a Jelmer WOLTERINK

Vydání

Switzerland, International Conference on Medical Image Computing and Computer Assisted Intervention, od s. 58-67, 10 s. 2022

Nakladatel

Springer Nature Switzerland

---

Další údaje

Jazyk

angličtina

Typ výsledku

Stať ve sborníku

Obor

10201 Computer sciences, information science, bioinformatics

Stát vydavatele

Švýcarsko

Utajení

není předmětem státního či obchodního tajemství

Forma vydání

elektronická verze "online"

Odkazy

URL

Impakt faktor

Impact factor: 0.402 v roce 2005

Kód RIV

RIV/00216224:14330/22:00125774

Organizační jednotka

Fakulta informatiky

ISBN

978-3-031-16439-2

ISSN

DOI

http://dx.doi.org/10.1007/978-3-031-16440-8_6

UT WoS

000867306400006

Klíčová slova anglicky

cell shape modeling; neural networks; implicit neural representations; signed distance function; generative model; interpolation

Štítky

cbia-web, core_A, firank_A

Příznaky

Mezinárodní význam, Recenzováno

---

Anotace

V originále

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.

---

Návaznosti

EF18_046/0016045, projekt VaV	Název: Modernizace národní infrastruktury pro biologické a medicínské zobrazování Czech-BioImaging
LM2018129, projekt VaV	Název: Národní infrastruktura pro biologické a medicínské zobrazování Czech-BioImaging Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, National research infrastructure for biological and medical imaging
MUNI/A/1145/2021, interní kód MU	Název: Rozsáhlé výpočetní systémy: modely, aplikace a verifikace XI. (Akronym: SV-FI MAV XI.) Investor: Masarykova univerzita, Rozsáhlé výpočetní systémy: modely, aplikace a verifikace XI.
MUNI/A/1230/2021, interní kód MU	Název: Zapojení studentů Fakulty informatiky do mezinárodní vědecké komunity 22 (Akronym: SKOMU) Investor: Masarykova univerzita, Zapojení studentů Fakulty informatiky do mezinárodní vědecké komunity 22
MUNI/G/1446/2018, interní kód MU	Název: Deciphering the mechanisms of mammary epithelial branched pattern formation through iterative biological and mathematical modelling Investor: Masarykova univerzita, Deciphering the mechanisms of mammary epithelial branched pattern formation through iterative biological and mathematical modelling, INTERDISCIPLINARY - Mezioborové výzkumné projekty