We propose a new approach to detect

We propose a new approach to detecting irregular curvilinear structures in noisy image stacks. In contrast to earlier approaches that rely on circular models of the cross-sections, ours allows for the arbitrarily-shaped ones that are prevalent in biological imagery. This is achieved by maximizing the image gradient flux along multiple directions and radii, instead of only two with a unique radius as is usually done. This yields a more complex optimization problem for which we propose a computationally efficient solution. We demonstrate the effectiveness of our approach on a wide range of challenging gray scale and color datasets and show that it outperforms existing techniques, especially on very irregular structures.

ผลลัพธ์ (ไทย) 1:

เราเสนอวิธีการตรวจสอบโครงสร้าง curvilinear ไม่สม่ำเสมอในรูปคะกองใหม่ ตรงข้ามแนวทางก่อนหน้านี้ที่ใช้วงกลมรุ่น cross-sections เราได้ในรูปโดยมีแพร่หลายในภาพชีวภาพ การเพิ่มการไหลไล่โทนสีภาพหลายทิศทางและรัศมี แทนเพียงสองและรัศมีเฉพาะ เป็นปกติแล้ว นี้ทำให้เพิ่มประสิทธิภาพปัญหาซับซ้อนที่เราเสนอโซลูชัน computationally มีประสิทธิภาพ เราแสดงให้เห็นถึงประสิทธิภาพของวิธีการของเราในหลากหลายท้าทายสีเทาขนาดและสี datasets และแสดงว่า outperforms เทคนิคที่มีอยู่ โดยเฉพาะอย่างยิ่งในโครงสร้างมากผิดปกติ

ผลลัพธ์ (ไทย) 2:

เราเสนอวิธีการใหม่ในการตรวจสอบโครงสร้างโค้งผิดปกติในกองภาพมีเสียงดัง ในทางตรงกันข้ามกับวิธีการก่อนหน้านี้ที่อาศัยในรูปแบบวงกลมของส่วนข้ามของเราช่วยให้สำหรับคนที่พลรูปที่เป็นที่แพร่หลายในภาพทางชีวภาพ นี่คือความสำเร็จโดยการเพิ่มการไหลลาดไปตามทิศทางภาพหลายและรัศมีแทนที่จะเพียงสองที่มีรัศมีไม่ซ้ำกันเป็นมักจะทำ ซึ่งช่วยทำให้ปัญหาการเพิ่มประสิทธิภาพที่ซับซ้อนมากขึ้นที่เรานำเสนอโซลูชันที่มีประสิทธิภาพคอมพิวเตอร์ เราแสดงให้เห็นถึงประสิทธิภาพของวิธีการของเราในช่วงกว้างของความท้าทายระดับสีเทาและสีชุดข้อมูลและแสดงให้เห็นว่ามันมีประสิทธิภาพดีกว่าเทคนิคที่มีอยู่โดยเฉพาะอย่างยิ่งเกี่ยวกับโครงสร้างผิดปกติมาก

ผลลัพธ์ (ไทย) 3:

เรานำเสนอแนวคิดใหม่ในการตรวจหาโครงสร้างเชิงเส้นโค้งที่ผิดปกติในกองภาพดัง ในทางตรงกันข้ามกับก่อนหน้านี้วิธีที่อาศัยวงกลม รูปแบบของและของเราช่วยให้รูปร่างโดยพลที่แพร่หลายในจินตภาพทางชีวภาพ นี่คือความโดยการเพิ่มภาพไล่ระดับตามเส้นทางต่างๆ และรัศมีการ ,แทนเพียงสองรายจากรัศมีเป็นมักจะทำ ปัญหาการเพิ่มประสิทธิภาพนี้สามารถที่ซับซ้อนมากขึ้นที่เรานำเสนอโซลูชั่น computationally อย่างมีประสิทธิภาพ เราแสดงให้เห็นถึงประสิทธิภาพของวิธีการของเราในหลากหลายของความท้าทายระดับสีเทาและข้อมูลสีและแสดงให้เห็นว่ามันมีประสิทธิภาพดีกว่าวิธีการที่มีอยู่เดิม โดยเฉพาะในโครงสร้างมากผิดปกติ