Fugu-MT 論文翻訳(概要): Machine Learning Pipeline for Segmentation and Defect Identification from High Resolution Transmission Electron Microscopy Data

論文の概要: Machine Learning Pipeline for Segmentation and Defect Identification from High Resolution Transmission Electron Microscopy Data

arxiv url: http://arxiv.org/abs/2001.05022v2
Date: Tue, 23 Feb 2021 23:30:56 GMT
ステータス: 処理完了
システム内更新日: 2023-01-11 13:17:31.772735
Title: Machine Learning Pipeline for Segmentation and Defect Identification from High Resolution Transmission Electron Microscopy Data
Title（参考訳）: 高分解能電子顕微鏡データからのセグメンテーションと欠陥同定のための機械学習パイプライン
Authors: C.K. Groschner, Christina Choi, and M.C. Scott
Abstract要約: 我々は高分解能電子顕微鏡データ解析のための柔軟な2ステップパイプラインを実証した。トレーニングしたU-Netは、Dice係数0.8の非晶質背景からナノ粒子を分離することができる。すると、ナノ粒子が86%の精度で可視積層断層を含むかどうかを分類できる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the field of transmission electron microscopy, data interpretation often lags behind acquisition methods, as image processing methods often have to be manually tailored to individual datasets. Machine learning offers a promising approach for fast, accurate analysis of electron microscopy data. Here, we demonstrate a flexible two step pipeline for analysis of high resolution transmission electron microscopy data, which uses a U-Net for segmentation followed by a random forest for detection of stacking faults. Our trained U-Net is able to segment nanoparticle regions from amorphous background with a Dice coefficient of 0.8 and significantly outperforms traditional image segmentation methods. Using these segmented regions, we are then able to classify whether nanoparticles contain a visible stacking fault with 86% accuracy. We provide this adaptable pipeline as an open source tool for the community. The combined output of the segmentation network and classifier offer a way to determine statistical distributions of features of interest, such as size, shape and defect presence, enabling detection of correlations between these features.
Abstract（参考訳）: 透過電子顕微鏡の分野では、画像処理法は個々のデータセットに手動で調整する必要があるため、データ解釈は取得方法より遅れることが多い。機械学習は、電子顕微鏡データの高速で正確な分析に有望なアプローチを提供する。本稿では,u-netをセグメンテーションに,ランダムフォレストをスタックング障害検出に用いた高分解能透過型電子顕微鏡データ解析のための柔軟な2ステップパイプラインを示す。訓練されたu-netは、ディス係数0.8のアモルファス背景からナノ粒子領域をセグメンテーションすることができ、従来の画像セグメンテーション法を大きく上回っている。これらのセグメンテーション領域を用いて、ナノ粒子が86%の精度で可視的な積み重ね欠陥を含むかどうかを分類することができる。私たちはこの適応可能なパイプラインをオープンソースツールとしてコミュニティに提供しています。セグメンテーションネットワークと分類器の組み合わせ出力は、サイズ、形状、欠陥の有無などの特徴の統計的分布を決定する手段を提供し、これらの特徴間の相関を検出する。

関連論文リスト

CRISP: A Framework for Cryo-EM Image Segmentation and Processing with Conditional Random Field [0.0]
本稿では,Cryo-EMデータから高品質なセグメンテーションマップを自動生成するパイプラインを提案する。我々のモジュラーフレームワークは、様々なセグメンテーションモデルと損失関数の選択を可能にする。限られたマイクログラフでトレーニングすると、合成データ上で90%以上の精度、リコール、精度、インターセクション・オーバー・ユニオン(IoU)、F1スコアを達成することができる。
論文参考訳（メタデータ） (2025-02-12T10:44:45Z)
Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。最初はFlyTracingという名前のデータセットを構築しました。本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2024-01-05T19:45:12Z)
Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文参考訳（メタデータ） (2023-10-22T02:27:02Z)
Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文参考訳（メタデータ） (2023-10-06T10:40:46Z)
Automated Grain Boundary (GB) Segmentation and Microstructural Analysis in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy [2.0445155106382797]
オーステナイト347Hステンレス鋼は、極端な運転条件に要求される優れた機械的特性と耐食性を提供する。 CNNベースのディープラーニングモデルは、材料マイクログラフから機能を自動で検出する強力な技術である。走査型電子顕微鏡(SEM)による347Hステンレス鋼のトレーニングデータと電子後方散乱(EBSD)マイクログラフを,粒界検出のためのピクセルワイドラベルとして組み合わせた。
論文参考訳（メタデータ） (2023-05-12T22:49:36Z)
Combining Variational Autoencoders and Physical Bias for Improved Microscopy Data Analysis [0.0]
本稿では,データ内の変数の因子を分散させる物理拡張機械学習手法を提案する。本手法はNiO-LSMO, BiFeO3, グラフェンなど様々な材料に適用される。その結果,大量の画像データから有意な情報を抽出する手法の有効性が示された。
論文参考訳（メタデータ） (2023-02-08T17:35:38Z)
Analysis of the performance of U-Net neural networks for the segmentation of living cells [0.0]
この研究は、顕微鏡画像のセグメント化におけるディープラーニングの性能の研究を目標としている。深層学習技術(主に畳み込みニューラルネットワーク)は細胞セグメンテーション問題に応用されている。準リアルタイム画像解析が可能となり、6.20GBのデータを4分で処理した。
論文参考訳（メタデータ） (2022-10-04T11:48:59Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Improving the Segmentation of Scanning Probe Microscope Images using Convolutional Neural Networks [0.9236074230806579]
有機溶媒からの沈着によりシリコン表面に生成した金ナノ粒子の2次元集合体像の分画プロトコルを開発した。溶媒の蒸発は粒子の極端に平衡な自己組織化を駆動し、様々なナノパターンや微細構造パターンを生み出す。 U-Net畳み込みニューラルネットワークを用いたセグメンテーション戦略が従来の自動アプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-08-27T20:49:59Z)
BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文参考訳（メタデータ） (2020-03-09T08:16:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。