論文の概要: Automatic detection and counting of retina cell nuclei using deep
learning
- arxiv url: http://arxiv.org/abs/2002.03563v1
- Date: Mon, 10 Feb 2020 05:49:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 08:58:19.789979
- Title: Automatic detection and counting of retina cell nuclei using deep
learning
- Title（参考訳）: 深層学習を用いた網膜細胞核の自動検出と計測
- Authors: S. M. Hadi Hosseini, Hao Chen, Monica M. Jablonski
- Abstract要約: 老化関連黄斑変性症(AMD)のような眼疾患において、網膜細胞やその他の生物学的物体のサイズ、数、品位を自動的に検出し、分類し、計算する能力は重要である
本稿では, 深層学習技術とMask R-CNNモデルに基づく自動ツールを開発し, 透過電子顕微鏡(TEM)画像の大規模なデータセットを分析し, 高速かつ高精度に網膜細胞を定量化する。
- 参考スコア（独自算出の注目度）: 5.4052819252055055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to automatically detect, classify, calculate the size, number,
and grade of retinal cells and other biological objects is critically important
in eye disease like age-related macular degeneration (AMD). In this paper, we
developed an automated tool based on deep learning technique and Mask R-CNN
model to analyze large datasets of transmission electron microscopy (TEM)
images and quantify retinal cells with high speed and precision. We considered
three categories for outer nuclear layer (ONL) cells: live, intermediate, and
pyknotic. We trained the model using a dataset of 24 samples. We then optimized
the hyper-parameters using another set of 6 samples. The results of this
research, after applying to the test datasets, demonstrated that our method is
highly accurate for automatically detecting, categorizing, and counting cell
nuclei in the ONL of the retina. Performance of our model was tested using
general metrics: general mean average precision (mAP) for detection; and
precision, recall, F1-score, and accuracy for categorizing and counting.
- Abstract（参考訳）: 加齢黄斑変性症(amd)のような眼疾患において、網膜細胞や他の生物学的物体のサイズ、数、グレードを自動的に検出、分類、計算する能力は極めて重要である。
本稿では, 深層学習技術とMask R-CNNモデルに基づく自動ツールを開発し, 透過電子顕微鏡(TEM)画像の大規模なデータセットを分析し, 高速かつ高精度に網膜細胞を定量化する。
我々は、外核層(onl)細胞についてlive, intermediate, pyknoticの3つのカテゴリを検討した。
24サンプルのデータセットを用いてモデルをトレーニングした。
次に、別の6つのサンプルを用いてハイパーパラメータを最適化した。
本研究は,テストデータセットに適用し,網膜のONL中の細胞核を自動的に検出,分類,計数するための高精度な手法であることを示した。
モデルの性能は,検出のための平均平均精度(mAP),精度,リコール,F1スコア,分類とカウントのための精度といった一般的な指標を用いて検証した。
関連論文リスト
- The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳（メタデータ） (2023-04-19T13:45:28Z) - CellCentroidFormer: Combining Self-attention and Convolution for Cell
Detection [4.555723508665994]
顕微鏡画像における細胞検出のためのハイブリッドCNN-ViTモデルを提案する。
センチロイドを用いた細胞検出法は、細胞を楕円体として表現し、エンドツーエンドの訓練を可能にする。
論文 参考訳（メタデータ） (2022-06-01T09:04:39Z) - Machine learning based lens-free imaging technique for field-portable
cytometry [0.0]
提案手法の精度は98%に向上し,多くの細胞に対して5dB以上の信号が増強された。
モデルは、数回の学習イテレーションで新しいタイプのサンプルを学ぶために適応し、新しく導入されたサンプルをうまく分類することができる。
論文 参考訳（メタデータ） (2022-03-02T07:09:29Z) - Deep CNNs for Peripheral Blood Cell Classification [0.0]
我々は、顕微鏡的末梢血細胞画像データセットに基づいて、27の人気の深層畳み込みニューラルネットワークアーキテクチャをベンチマークした。
血液細胞分類のためのImageNetデータセットに事前トレーニングされた最先端画像分類モデルを微調整する。
論文 参考訳（メタデータ） (2021-10-18T17:56:07Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - A fully automated end-to-end process for fluorescence microscopy images
of yeast cells: From segmentation to detection and classification [0.0]
酵母細胞の蛍光顕微鏡画像の細胞区画を自動的にセグメント化し、検出し、分類するエンドツーエンドのプロセスを構築します。
この完全に自動化されたプロセスは、PerICo1プロジェクトの対話型e-Scienceサーバに統合される。
応用領域は酵母細胞における光学顕微鏡であるが、医療用途における多細胞画像にも適用できる。
論文 参考訳（メタデータ） (2021-04-06T21:24:50Z) - A Multi-Scale Conditional Deep Model for Tumor Cell Ratio Counting [4.164451715899639]
組織スライド全体の腫瘍細胞の比率を正確に把握する手法を提案する。
我々は、H&E染色組織断面の画像上で細胞を検出し分類するために訓練された、完全な畳み込みニューラルネットワークモデルを使用する。
2つのモデルを組み合わせることで、それぞれ異なる倍率で作業することで、システムはセルレベルの詳細と周囲のコンテキストの両方をキャプチャできることを示す。
論文 参考訳（メタデータ） (2021-01-27T22:40:33Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。