論文の概要: Few shot domain adaptation for in situ macromolecule structural classification in cryo-electron tomograms

• arxiv url: http://arxiv.org/abs/2007.15422v1
• Date: Thu, 30 Jul 2020 12:39:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-05 13:48:51.780857
• Title: Few shot domain adaptation for in situ macromolecule structural classification in cryo-electron tomograms
• Title（参考訳）: 低温電子トモグラフィーにおける in situ macromolecule 構造分類のための領域適応
• Authors: Liangyong Yu, Ran Li, Xiangrui Zeng, Hongyi Wang, Jie Jin, Ge Yang, Rui Jiang, Min Xu
• Abstract要約: 我々は深層学習に基づくクロスドメイン・サブトモグラム分類にいくつかのショットドメイン適応法を適用した。 本手法は, ベースライン法と比較して, クロスドメイン・サブトモグラム分類の大幅な改善を実現している。
• 参考スコア（独自算出の注目度）: 13.51208578647949
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motivation: Cryo-Electron Tomography (cryo-ET) visualizes structure and spatial organization of macromolecules and their interactions with other subcellular components inside single cells in the close-to-native state at sub-molecular resolution. Such information is critical for the accurate understanding of cellular processes. However, subtomogram classification remains one of the major challenges for the systematic recognition and recovery of the macromolecule structures in cryo-ET because of imaging limits and data quantity. Recently, deep learning has significantly improved the throughput and accuracy of large-scale subtomogram classification. However often it is difficult to get enough high-quality annotated subtomogram data for supervised training due to the enormous expense of labeling. To tackle this problem, it is beneficial to utilize another already annotated dataset to assist the training process. However, due to the discrepancy of image intensity distribution between source domain and target domain, the model trained on subtomograms in source domainmay perform poorly in predicting subtomogram classes in the target domain. Results: In this paper, we adapt a few shot domain adaptation method for deep learning based cross-domain subtomogram classification. The essential idea of our method consists of two parts: 1) take full advantage of the distribution of plentiful unlabeled target domain data, and 2) exploit the correlation between the whole source domain dataset and few labeled target domain data. Experiments conducted on simulated and real datasets show that our method achieves significant improvement on cross domain subtomogram classification compared with baseline methods.
• Abstract（参考訳）: モチベーション:Cryo-Electron Tomography (cryo-ET)は、マクロ分子の構造と空間的構造を可視化し、サブ分子分解において、単一細胞内の他の細胞内成分と相互作用する。 このような情報は細胞過程の正確な理解に不可欠である。 しかし,Cryo-ETにおけるマクロ分子構造の系統的認識と回復には,画像の限界とデータ量から,サブトモグラム分類が大きな課題となっている。 近年,ディープラーニングは大規模サブトモグラム分類のスループットと精度を大幅に向上させた。 しかし,ラベリングに多大な費用がかかるため,教師訓練に十分な品質アノテートされたサブトモグラムデータを得ることは困難である。 この問題に取り組むためには、すでに注釈付きデータセットを使用してトレーニングプロセスを支援することが有益である。 しかし、ソースドメインとターゲットドメインの間の画像強度分布のばらつきのため、ソースドメインのサブトモグラムでトレーニングされたモデルは、ターゲットドメインのサブトモグラムクラスを予測するのに役に立たないかもしれない。 結果:本論文では,深層学習に基づくクロスドメインサブトモグラム分類にいくつかのショットドメイン適応手法を適用する。 我々の方法の本質的な考え方は2つの部分から構成される。 1)豊富な未ラベル対象ドメインデータの分布を十分に活用し、 2) ソースドメインデータセット全体とほとんどラベル付けされていないターゲットドメインデータの相関を利用する。 シミュレーションおよび実データを用いた実験により,本手法はベースライン法と比較してクロスドメインサブトモグラム分類において有意な改善が得られた。

関連論文リスト

• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• DiffMix: Diffusion Model-based Data Synthesis for Nuclei Segmentation and Classification in Imbalanced Pathology Image Datasets [8.590026259176806]
  拡散モデルを用いた現実的なデータ合成法を提案する。 トレーニングデータの配布を拡大するために,仮想パッチを2種類生成する。 意味ラベル条件付き拡散モデルを用いて、現実的で高品質な画像サンプルを生成する。
  論文  参考訳（メタデータ） (2023-06-25T05:31:08Z)
• Unsupervised Domain Adaptation for Medical Image Segmentation via Feature-space Density Matching [0.0]
  本稿ではセマンティックセグメンテーションのための教師なしドメイン適応手法を提案する。 対象データ分布を特徴空間のソースとマッチングする。 提案手法の有効性を2つのデータセット,多部位前立腺MRI,病理組織像に示す。
  論文  参考訳（メタデータ） (2023-05-09T22:24:46Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• Deep learning based domain adaptation for mitochondria segmentation on EM volumes [5.682594415267948]
  対象領域におけるミトコンドリアセグメンテーションを改善するための3つの非教師なし領域適応戦略を提案する。 そこで本研究では,ソースドメイン内でのみ得られる形態的事前条件に基づいて,新たな学習停止基準を提案する。 評価ラベルがない場合、提案した形態素に基づく計量をモニタリングすることは、トレーニングプロセスを止めて平均最適モデルを選択するための直感的で効果的な方法である。
  論文  参考訳（メタデータ） (2022-02-22T09:49:25Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• Cryo-shift: Reducing domain shift in cryo-electron subtomograms with unsupervised domain adaptation and randomization [17.921052986098946]
  サブトモグラムの分類と認識は、マクロ分子構造の体系的な回復の第一段階である。 教師付き深層学習法は, サブトモグラム分類において, 精度が高く, 効率的であることが証明されている。 我々は、ディープラーニングに基づくクロスドメインサブトモグラム分類のための、完全に教師なしのドメイン適応およびランダム化フレームワークであるCryo-Shiftを提案する。
  論文  参考訳（メタデータ） (2021-11-17T13:43:36Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Active Learning to Classify Macromolecular Structures in situ for Less Supervision in Cryo-Electron Tomography [18.97783153971551]
  大規模非ラベル付きサブトモグラムプールからラベル作成のためのサブトモグラムをクエリするためのフレームワークを提案する。 HALは不確実サンプリングを採用し、最も不確実な予測を持つサブトモグラムを選択する。 halはクエリセットの多様性を改善するためにサブセットサンプリング戦略を導入している。
  論文  参考訳（メタデータ） (2021-02-24T03:10:32Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)
• Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision [73.76277367528657]
  畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。 この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。 ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T15:24:11Z)

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。