論文の概要: Deep learning Framework for Mobile Microscopy

• arxiv url: http://arxiv.org/abs/2007.13701v3
• Date: Thu, 18 Feb 2021 14:51:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 09:03:31.299445
• Title: Deep learning Framework for Mobile Microscopy
• Title（参考訳）: モバイル顕微鏡のためのディープラーニングフレームワーク
• Authors: Anatasiia Kornilova, Mikhail Salnikov, Olga Novitskaya, Maria Begicheva, Egor Sevriugov, Kirill Shcherbakov, Valeriya Pronina, Dmitry V. Dylov
• Abstract要約: 専門的な臨床顕微鏡に開発された既存のソリューションの限界について論じる。 我々は、それに対応する改善を提案し、他の最先端のモバイル分析ソリューションと比較する。
• 参考スコア（独自算出の注目度）: 2.432228495683345
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Mobile microscopy is a promising technology to assist and to accelerate disease diagnostics, with its widespread adoption being hindered by the mediocre quality of acquired images. Although some paired image translation and super-resolution approaches for mobile microscopy have emerged, a set of essential challenges, necessary for automating it in a high-throughput setting, still await to be addressed. The issues like in-focus/out-of-focus classification, fast scanning deblurring, focus-stacking, etc. -- all have specific peculiarities when the data are recorded using a mobile device. In this work, we aspire to create a comprehensive pipeline by connecting a set of methods purposely tuned to mobile microscopy: (1) a CNN model for stable in-focus / out-of-focus classification, (2) modified DeblurGAN architecture for image deblurring, (3) FuseGAN model for combining in-focus parts from multiple images to boost the detail. We discuss the limitations of the existing solutions developed for professional clinical microscopes, propose corresponding improvements, and compare to the other state-of-the-art mobile analytics solutions.
• Abstract（参考訳）: モバイル顕微鏡は、疾患診断を補助し、加速するための有望な技術であり、その普及は、取得した画像の中間品質によって妨げられている。 いくつかのペア画像変換とモバイル顕微鏡への超解像アプローチが登場したが、高スループット環境での自動化に必要ないくつかの重要な課題が解決されるのを待っている。 フォーカス内/フォーカス外分類、高速スキャンデブラリング、フォーカススタックといった問題。 -- データはモバイルデバイスを使用して記録される場合,それぞれに特有の特徴がある。 本研究では,(1)安定なインフォーカス/アウトフォーカス分類のためのCNNモデル,(2)イメージデブロアリングのためのDeblurGANアーキテクチャ,(3)複数の画像からインフォーカス部品を結合してディテールを向上するFuseGANモデル,といった,モバイル顕微鏡に意図的に調整された一連のメソッドを接続することで,包括的パイプラインを構築することを目的とする。 専門的臨床顕微鏡のために開発された既存のソリューションの限界を議論し、対応する改善を提案し、他の最先端のモバイル分析ソリューションと比較する。

関連論文リスト

• BlurryScope: a cost-effective and compact scanning microscope for automated HER2 scoring using deep learning on blurry image data [0.0]
  ブルリスコープ(BlurryScope)は、組織部位の自動検査・解析のための費用効率が高くコンパクトなソリューションである。 BlurryScopeは、特殊なハードウェアとニューラルネットワークベースのモデルを統合して、モーションレッドな組織像を処理する。
  論文  参考訳（メタデータ） (2024-10-23T04:46:36Z)
• 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)
• The Quest for Early Detection of Retinal Disease: 3D CycleGAN-based Translation of Optical Coherence Tomography into Confocal Microscopy [11.321411104729002]
  生体内OCTを生体内共焦点顕微鏡画像に変換するために, 教師なし3D CycleGANに基づく新しいフレームワークを提案する。 これは、OCTの固有の3D情報を利用して、共焦点顕微鏡のリッチで詳細な色領域に変換する最初の試みである。
  論文  参考訳（メタデータ） (2024-08-07T21:13:49Z)
• DualFocus: Integrating Macro and Micro Perspectives in Multi-modal Large Language Models [85.4852517178828]
  マルチモーダル大言語モデル(MLLM)におけるマクロ・マイクロ視点の統合フレームワークであるDualFocusについて述べる。 本研究は,DualFocusが総合的な洞察と詳細な検査のバランスをとる上で優れていることを示し,MLLMの幻覚例を著しく減らした。
  論文  参考訳（メタデータ） (2024-02-22T18:26:02Z)
• 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)
• Hybrid-Supervised Dual-Search: Leveraging Automatic Learning for Loss-free Multi-Exposure Image Fusion [60.221404321514086]
  マルチ露光画像融合(MEF)は、様々な露光レベルを表すデジタルイメージングの限界に対処するための重要な解決策である。 本稿では、ネットワーク構造と損失関数の両方を自動設計するための二段階最適化探索方式であるHSDS-MEFと呼ばれるMEFのためのハイブリッドスーパービジョンデュアルサーチ手法を提案する。
  論文  参考訳（メタデータ） (2023-09-03T08:07:26Z)
• Defocus Blur Synthesis and Deblurring via Interpolation and Extrapolation in Latent Space [3.097163558730473]
  我々は、線形性関係を強制するために暗黙的かつ明示的な正規化手法でオートエンコーダを訓練する。 既存の作品と比較して、私たちは単純なアーキテクチャを使って、フレキシブルなボケレベルで画像を合成します。 我々の正規化オートエンコーダは、データ拡張技術としてデータの多様性を増大させ、ぼかしやデブロを効果的に模倣することができる。
  論文  参考訳（メタデータ） (2023-07-28T10:27:28Z)
• Smart mobile microscopy: towards fully-automated digitization [0.0]
  本稿では,最も価値のある視覚情報の自動デジタル化を目的とした,スマートな移動顕微鏡の概念を提案する。 我々は、自動顕微鏡設定制御とオートフォーカス、インフォーカスフィルタリング、フォーカススタッキングといった古典的な技術を組み合わせることでこれを実現している。
  論文  参考訳（メタデータ） (2021-05-24T09:55:29Z)
• 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)
• Microscopic fine-grained instance classification through deep attention [7.50282814989294]
  限られたサンプルを用いた微視的画像データのきめ細かい分類は、コンピュータビジョンとバイオメディカルイメージングにおいて未解決の問題である。 本稿では,エンドツーエンドで2つのタスクを同時に実行する,シンプルで効果的なディープネットワークを提案する。 その結果、堅牢だが軽量なエンドツーエンドのトレーニング可能なディープネットワークが実現し、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2020-10-06T15:29:58Z)
• Rapid Whole Slide Imaging via Learning-based Two-shot Virtual Autofocusing [57.90239401665367]
  ホイルスライドイメージング(WSI)は、デジタル病理の新たな技術である。 本稿では,リフォーカスを行うための機械的調整に依存しないテキスト仮想オートフォーカスの概念を提案する。
  論文  参考訳（メタデータ） (2020-03-14T13:40:33Z)

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。