論文の概要: Darwin's Neural Network: AI-based Strategies for Rapid and Scalable Cell
and Coronavirus Screening
- arxiv url: http://arxiv.org/abs/2007.11653v1
- Date: Wed, 22 Jul 2020 20:11:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 22:28:46.470070
- Title: Darwin's Neural Network: AI-based Strategies for Rapid and Scalable Cell
and Coronavirus Screening
- Title（参考訳）: Darwinのニューラルネットワーク: 迅速でスケーラブルな細胞とコロナウイルススクリーニングのためのAIベースの戦略
- Authors: Sang Won Lee, Yueh-Ting Chiu, Philip Brudnicki, Audrey M. Bischoff,
Angus Jelinek, Jenny Zijun Wang, Danielle R. Bogdanowicz, Andrew F. Laine,
Jia Guo, and Helen H. Lu
- Abstract要約: 機械学習アルゴリズムは、顕微鏡およびナノスコープイメージングデータの解釈と分析を変換している。
これらの進歩により、これまで計算が不可能と考えられていたリアルタイム実験を研究者が実行できるようになった。
本稿では,コンピュータビジョンと機械認識の分野における適合性理論を応用し,多クラスインスタンスセグメンテーション深層学習の新しい枠組みを導入する。
- 参考スコア（独自算出の注目度）: 10.775030345262676
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in the interdisciplinary scientific field of machine
perception, computer vision, and biomedical engineering underpin a collection
of machine learning algorithms with a remarkable ability to decipher the
contents of microscope and nanoscope images. Machine learning algorithms are
transforming the interpretation and analysis of microscope and nanoscope
imaging data through use in conjunction with biological imaging modalities.
These advances are enabling researchers to carry out real-time experiments that
were previously thought to be computationally impossible. Here we adapt the
theory of survival of the fittest in the field of computer vision and machine
perception to introduce a new framework of multi-class instance segmentation
deep learning, Darwin's Neural Network (DNN), to carry out morphometric
analysis and classification of COVID19 and MERS-CoV collected in vivo and of
multiple mammalian cell types in vitro.
- Abstract（参考訳）: 機械知覚、コンピュータビジョン、生物医学工学の学際的分野における最近の進歩は、顕微鏡やナノスコープ画像の内容の解読能力を持つ機械学習アルゴリズムのコレクションを基礎としている。
機械学習アルゴリズムは、顕微鏡およびナノスコープイメージングデータの解釈と解析を、生物学的イメージングモードと併用して変換している。
これらの進歩により、研究者は以前計算不可能と考えられていたリアルタイム実験を行うことができる。
そこで我々は,コンピュータビジョンと機械知覚の分野における適合性理論を応用し,多クラスインスタンスセグメンテーション深層学習の新たな枠組みであるDarwin's Neural Network(DNN)を導入し,in vitroおよびin vitroで収集したCOVID19およびMERS-CoVの形態計測分析および分類を行う。
関連論文リスト
- Masked Autoencoders for Microscopy are Scalable Learners of Cellular Biology [2.7280901660033643]
本研究は、弱教師付き分類器と自己教師付きマスク付きオートエンコーダ(MAE)のスケーリング特性について検討する。
以上の結果から,ViTをベースとしたMAEは,様々なタスクにおいて弱い教師付き分類器よりも優れており,公的なデータベースから得られた既知の生物学的関係を思い出すと,11.5%の相対的な改善が達成されることがわかった。
我々は、異なる数のチャネルと順序の画像を推論時に入力できる新しいチャネルに依存しないMAEアーキテクチャ(CA-MAE)を開発した。
論文 参考訳（メタデータ） (2024-04-16T02:42:06Z) - Neural Echos: Depthwise Convolutional Filters Replicate Biological
Receptive Fields [56.69755544814834]
哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。
生体受容の分野からインスピレーションを得る手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T18:06:22Z) - Gravitational cell detection and tracking in fluorescence microscopy
data [0.18828620190012021]
我々は、現代の機械学習モデルと競合し、潜在的に勝る可能性のある重力場に基づく新しいアプローチを提案する。
この方法では、検出、セグメンテーション、トラッキング要素が含まれ、その結果はCell Tracking Challengeデータセットで示される。
論文 参考訳（メタデータ） (2023-12-06T14:08:05Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - Exploring the Power of Generative Deep Learning for Image-to-Image
Translation and MRI Reconstruction: A Cross-Domain Review [0.0]
本研究は,自然画像領域と医用画像領域における画像から画像への変換と再構成に使用される深層学習手法について分析する。
自然コンピュータビジョンの分野では、様々なディープラーニング生成モデルの開発と拡張について検討する。
本稿では, 医用画像翻訳, MRI再構成, マルチコントラストMRI合成などの医療画像生成問題に対する深層学習の可能性について検討する。
論文 参考訳（メタデータ） (2023-03-16T00:56:30Z) - A photonic chip-based machine learning approach for the prediction of
molecular properties [11.55177943027656]
フォトニックチップ技術は、より高速なデータ処理と低エネルギー使用量でニューラルネットワークを実装するための代替プラットフォームを提供する。
分子の量子力学特性の予測におけるフォトニックニューラルネットワークの有用性を実証する。
我々の研究は、分子科学における大規模機械学習応用にフォトニック技術を活用するための道を開く。
論文 参考訳（メタデータ） (2022-03-03T03:15:14Z) - Ultrafast Focus Detection for Automated Microscopy [0.0]
連続的に収集した電子顕微鏡画像に対する高速な焦点検出アルゴリズムを提案する。
本手法は, 従来のコンピュータビジョン技術に適応し, 様々な微細な組織学的特徴を検出する手法である。
アウト・オブ・フォーカス条件をほぼリアルタイムに検出するテストが実施されている。
論文 参考訳（メタデータ） (2021-08-26T22:24:41Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - 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) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳（メタデータ） (2020-10-14T16:34:21Z) - Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。
これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。
生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文 参考訳（メタデータ） (2020-06-22T11:41:57Z)
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。