Demand-driven volume rendering of terascale EM data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In neuroscience, a very promising bottom-up approach to understanding how the brain works is built on acquiring and analyzing electron microscopy (EM) scans of brain tissue, an area known as Connectomics. This results in volume data of extremely high resolution of 3--5nm per pixel and 25--50nm slice thickness, overall leading to data sizes of many terabytes [Jeong et al. 2010]. To support the work of neurobiologists, interactive exploration and analysis of such volumes requires novel visual computing systems because the requirements differ from those of current systems in several key aspects. In this talk, we describe the system that we are working on to enable neuroscientists to interactively roam terascale EM volumes and support their analysis. A major design principle was to avoid the standard approach of pre-computing a 3D multi-resolution hierarchy such as an octree. Data acquisition proceeds from 2D image tile to 2D image tile, where not only the slices along the z axis are scanned independently, but each slice is itself acquired as many smaller image tiles. These images tiles need to be aligned and stitched, and neurobiologists also want to be able to combine different resolutions used for scanning different regions, without re-sampling everything to a single global resolution. Therefore, we focus on working directly with a stream of individual 2D image tiles, instead of a 3D volume that usually is assumed to exist in its entirety for visualization. We perform interactive volume rendering of a "virtual" volume, where the corresponding physical storage is only represented and populated in a sparse manner with 2D instead of 3D image data on the fly during rendering. Furthermore, these 2D image tiles can be of different resolution, scale, and orientation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle