論文の概要: Learning to segment clustered amoeboid cells from brightfield microscopy
via multi-task learning with adaptive weight selection
- arxiv url: http://arxiv.org/abs/2005.09372v1
- Date: Tue, 19 May 2020 11:31:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 13:49:17.574774
- Title: Learning to segment clustered amoeboid cells from brightfield microscopy
via multi-task learning with adaptive weight selection
- Title(参考訳): 適応重み選択によるマルチタスク学習による光電場顕微鏡からの集合アメーバ細胞分離の学習
- Authors: Rituparna Sarkar, Suvadip Mukherjee, Elisabeth Labruy\`ere and
Jean-Christophe Olivo-Marin
- Abstract要約: マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。
ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。
検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
- 参考スコア(独自算出の注目度): 6.836162272841265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting and segmenting individual cells from microscopy images is critical
to various life science applications. Traditional cell segmentation tools are
often ill-suited for applications in brightfield microscopy due to poor
contrast and intensity heterogeneity, and only a small subset are applicable to
segment cells in a cluster. In this regard, we introduce a novel supervised
technique for cell segmentation in a multi-task learning paradigm. A
combination of a multi-task loss, based on the region and cell boundary
detection, is employed for an improved prediction efficiency of the network.
The learning problem is posed in a novel min-max framework which enables
adaptive estimation of the hyper-parameters in an automatic fashion. The region
and cell boundary predictions are combined via morphological operations and
active contour model to segment individual cells.
The proposed methodology is particularly suited to segment touching cells
from brightfield microscopy images without manual interventions.
Quantitatively, we observe an overall Dice score of 0.93 on the validation set,
which is an improvement of over 15.9% on a recent unsupervised method, and
outperforms the popular supervised U-net algorithm by at least $5.8\%$ on
average.
- Abstract(参考訳): 顕微鏡画像からの個々の細胞の検出とセグメンテーションは、様々な生命科学応用に不可欠である。
従来のセルセグメンテーションツールは、コントラストの低さと強度の不均一性のために、明るい磁場顕微鏡の応用には不適であり、クラスタ内のセグメントセルに適用できるサブセットはごくわずかである。
本稿では,マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。
ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。
学習問題は、ハイパーパラメータを自動で適応的に推定できる新しいmin-maxフレームワークに設定される。
領域と細胞境界予測は形態学的操作と活性輪郭モデルによって結合され、個々の細胞を分割する。
提案手法は,手動による介入を伴わずに,明視野顕微鏡画像から触覚細胞を分離するのに特に適している。
検証セット上でのDiceスコアは0.93で、これは最近の教師なし手法では15.9%以上改善され、一般的な教師付きU-netアルゴリズムを平均5.8 %以上上回っている。
関連論文リスト
- Practical Guidelines for Cell Segmentation Models Under Optical Aberrations in Microscopy [14.042884268397058]
本研究は,光収差下でのセル画像のセグメンテーションモデルについて,蛍光顕微鏡と光電場顕微鏡を用いて評価する。
ネットワークヘッドの異なるOstoしきい値法やMask R-CNNなどのセグメンテーションモデルをトレーニングし,テストする。
対照的に、Cellpose 2.0は同様の条件下で複雑な細胞画像に有効であることが証明されている。
論文 参考訳(メタデータ) (2024-04-12T15:45:26Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳(メタデータ) (2023-11-28T09:14:55Z) - Single-cell Multi-view Clustering via Community Detection with Unknown
Number of Clusters [64.31109141089598]
シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。
scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。
3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
論文 参考訳(メタデータ) (2023-11-28T08:34:58Z) - Multi-stream Cell Segmentation with Low-level Cues for Multi-modality
Images [66.79688768141814]
我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。
次に、分類ラベルに基づいて分類モデルを訓練する。
2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
論文 参考訳(メタデータ) (2023-10-22T08:11:08Z) - 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) - CLANet: A Comprehensive Framework for Cross-Batch Cell Line
Identification Using Brightfield Images [21.660573230005173]
我々はCLANetを紹介した。CLANetは、明視野画像を用いたクロスバッチセルライン識別の先駆的なフレームワークである。
本稿では,セル密度の変動を効率的に把握するためのセルクラスタレベルの選択法と,画像品質の変動を管理するための自己教師付き学習戦略を提案する。
我々は、AstraZeneca Global Cell Bankの93の実験バッチにわたる32のセルラインのデータを用いて、CLANetを検証する。
論文 参考訳(メタデータ) (2023-06-28T20:24:53Z) - Advanced Multi-Microscopic Views Cell Semi-supervised Segmentation [0.0]
深層学習(DL)は細胞セグメンテーションタスクにおいて強力なポテンシャルを示すが、一般化が不十分である。
本稿では,Multi-Microscopic-view Cell semi-supervised (MMCS) と呼ばれる,新しい半教師付き細胞分割法を提案する。
MMCSは、マイクロスコープの異なる低ラベルの多姿勢細胞画像を用いて、細胞セグメンテーションモデルを訓練することができる。
F1スコアは0.8239であり、全てのケースのランニング時間は許容時間の範囲内である。
論文 参考訳(メタデータ) (2023-03-21T08:08:13Z) - MEDIAR: Harmony of Data-Centric and Model-Centric for Multi-Modality
Microscopy [9.405458160620533]
マルチモーダルなセルインスタンスセグメンテーションのための総合パイプラインであるMEDIARを提案する。
検証段階では時間予算を満足しながら0.9067F1スコアを達成する。
その後の研究を容易にするために、ソースコードとトレーニングされたモデルをオープンソースとして提供します。
論文 参考訳(メタデータ) (2022-12-07T05:09:24Z) - 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) - Split and Expand: An inference-time improvement for Weakly Supervised
Cell Instance Segmentation [71.50526869670716]
本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。
Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。
拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
論文 参考訳(メタデータ) (2020-07-21T14:05:09Z) - Cell Segmentation and Tracking using CNN-Based Distance Predictions and
a Graph-Based Matching Strategy [0.20999222360659608]
顕微鏡画像における触覚細胞のセグメンテーション法を提案する。
距離マップにインスパイアされた新しい細胞境界の表現を用いることで, 触覚細胞だけでなく, 近接細胞をトレーニングプロセスで利用することができる。
この表現は、特にアノテーションエラーに対して堅牢であり、未表現または未含の細胞型を含むトレーニングデータに含まれる顕微鏡画像のセグメンテーションに対して有望な結果を示す。
論文 参考訳(メタデータ) (2020-04-03T11:55:28Z)
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。