論文の概要: Attention-guided Quality Assessment for Automated Cryo-EM Grid Screening
- arxiv url: http://arxiv.org/abs/2007.05593v2
- Date: Tue, 21 Jul 2020 21:55:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 21:24:54.179088
- Title: Attention-guided Quality Assessment for Automated Cryo-EM Grid Screening
- Title（参考訳）: 自動Cryo-EMグリッドスクリーニングにおける注意誘導品質評価
- Authors: Hong Xu, David E. Timm, Shireen Y. Elhabian
- Abstract要約: 本稿では,Creo-EMグリッドの自動スクリーニングのための最初のディープラーニングフレームワークであるXCryoNetを提案する。
XCryoNetは、半教師付き、注意誘導型ディープラーニングアプローチであり、自動抽出された正方形画像の説明可能なスコアリングを提供する。
その結果、ラベル付きデータが不足している場合には、完全に教師されたソリューションと意図しないソリューションに対して、最大8%と37%の改善が見られた。
- 参考スコア（独自算出の注目度）: 7.213084307941148
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cryogenic electron microscopy (cryo-EM) has become an enabling technology in
drug discovery and in understanding molecular bases of disease by producing
near-atomic resolution (less than 0.4 nm) 3D reconstructions of biological
macromolecules. The imaging process required for 3D reconstructions involves a
highly iterative and empirical screening process, starting with the acquisition
of low magnification images of the cryo-EM grids. These images are inspected
for squares that are likely to contain useful molecular signals. Potentially
useful squares within the grid are then imaged at progressively higher
magnifications, with the goal of identifying sub-micron areas within circular
holes (bounded by the squares) for imaging at high magnification. This arduous,
multi-step data acquisition process represents a bottleneck for obtaining a
high throughput data collection. Here, we focus on automating the early
decision making for the microscope operator, scoring low magnification images
of squares, and proposing the first deep learning framework, XCryoNet, for
automated cryo-EM grid screening. XCryoNet is a semi-supervised,
attention-guided deep learning approach that provides explainable scoring of
automatically extracted square images using limited amounts of labeled data.
Results show up to 8% and 37% improvements over a fully supervised and a
no-attention solution, respectively, when labeled data is scarce.
- Abstract（参考訳）: 極低温電子顕微鏡(cryo-em)は、生体高分子の近原子分解能(0.4 nm未満)3次元再構成によって、薬物の発見と疾患の分子基盤の理解に有効な技術となっている。
3次元再構成に必要な撮像プロセスは、Cryo-EMグリッドの低倍率画像の取得から始まる、高度に反復的で経験的なスクリーニングプロセスを含む。
これらの画像は、有用な分子信号を含む可能性が高い正方形に対して検査される。
格子内の潜在的に有用な四角形は徐々に高倍率で撮影され、高倍率で撮像するために円形の穴(四角形で囲まれている)内のサブミクロン領域を特定することを目的としている。
この厳しい多段階データ取得プロセスは、高いスループットデータ収集のボトルネックとなる。
本稿では,顕微鏡操作者の早期意思決定の自動化,正方形の低倍率画像の評価,およびCreo-EMグリッドの自動スクリーニングのための最初のディープラーニングフレームワークであるXCryoNetを提案する。
XCryoNetは、限定されたラベル付きデータを用いて、自動的に抽出された正方形画像を説明可能なスコアリングを提供する半教師付き、注意誘導型ディープラーニングアプローチである。
ラベル付きデータが不足している場合には、完全に教師なしのソリューションよりも8%と37%が改善されている。
関連論文リスト
- CryoFM: A Flow-based Foundation Model for Cryo-EM Densities [50.291974465864364]
生成モデルとして設計された基礎モデルであるCryoFMについて,高品質密度マップの分布を学習する。
フローマッチングに基づいて構築されたCryoFMは、生物分子密度マップの以前の分布を正確に捉えるために訓練されている。
論文 参考訳（メタデータ） (2024-10-11T08:53:58Z) - DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。
我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
論文 参考訳（メタデータ） (2024-10-04T00:38:29Z) - Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。
我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
論文 参考訳（メタデータ） (2024-04-15T02:41:55Z) - 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) - Fast Data Driven Estimation of Cluster Number in Multiplex Images using
Embedded Density Outliers [0.0]
化学画像技術の使用は、病理学における従来の手法と相容れないものになりつつある。
画像マスなどの技術は、デジタル病理学技術と連動して使用される特定のコンポーネントのラベル付き多次元(マルチプレックス)画像を提供する。
深度スパースオートエンコーダを用いて,データを低次元空間に埋め込むことにより,クラスタ数を自動データ駆動方式で推定する手法を提案する。
論文 参考訳（メタデータ） (2022-07-21T13:33:40Z) - Learning to automate cryo-electron microscopy data collection with
Ptolemy [4.6453787256723365]
低温電子顕微鏡(cryo-EM)は、生体高分子の近原・近原子分解能3次元構造を決定する主要な方法として登場した。
現在,高磁化Cryo-EMマイクログラフの収集には,パラメータの入力と手動チューニングが必要である。
そこで我々は,目的のアルゴリズムを用いて,低・中規模のターゲットを自動生成する最初のパイプラインを開発した。
論文 参考訳（メタデータ） (2021-12-01T22:39:28Z) - RCNN-SliceNet: A Slice and Cluster Approach for Nuclei Centroid
Detection in Three-Dimensional Fluorescence Microscopy Images [16.377426160171982]
本稿では,3次元顕微鏡ボリュームの遠心波検出のためのスケーラブルなアプローチを提案する。
本稿では、RCNN-SliceNetを用いて、体積のスライス毎に異なる方向から2次元核セントロイドを検出する。
提案手法は, 3次元顕微鏡で核中心体を正確に計測し, 検出することができる。
論文 参考訳（メタデータ） (2021-06-29T23:38:29Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - Cryo-ZSSR: multiple-image super-resolution based on deep internal
learning [14.818511430476589]
単一粒子低温電子顕微鏡 (cryo-EM) は、タンパク質やマクロ分子複合体を原子近傍の分解能で可視化できる新しい画像モダリティである。
本稿では,低SNR条件下での動作に特化して設計された深層学習に基づくマルチイメージSRアルゴリズムを提案する。
以上の結果から,低倍率画像と画像SRの組み合わせは,解像度を犠牲にすることなく,Cryo-EMデータ収集を加速させる可能性が示唆された。
論文 参考訳（メタデータ） (2020-11-22T14:04:54Z) - 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) - Semi-Automatic Generation of Tight Binary Masks and Non-Convex
Isosurfaces for Quantitative Analysis of 3D Biological Samples [0.2711107673793059]
現在の顕微鏡では、完全な生物(3D+t)の3D+tが細胞レベルでの開発に関する洞察を与えてくれる。
画像の速度と品質は着実に改善されているが、完全セグメンテーション解析法は十分ではない。
これは、画像(100um - 1mm)と標本の奥深くに当てはまる。
胚の3D+t光シート顕微鏡画像の定量的解析システムを開発した。
論文 参考訳（メタデータ） (2020-01-30T17:36:42Z)
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。