論文の概要: Machine learning for faster and smarter fluorescence lifetime imaging microscopy

• arxiv url: http://arxiv.org/abs/2008.02320v1
• Date: Wed, 5 Aug 2020 18:59:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 17:55:13.739271
• Title: Machine learning for faster and smarter fluorescence lifetime imaging microscopy
• Title（参考訳）: 高速でスマートな蛍光寿命顕微鏡のための機械学習
• Authors: Varun Mannam, Yide Zhang, Xiaotong Yuan, Cara Ravasio and Scott S. Howard
• Abstract要約: 蛍光寿命顕微鏡(FLIM)は生体医学研究において強力な技術である。 現在、FLIMの計算、解析、解釈は複雑で遅く、計算に費用がかかるプロセスである。 機械学習(ML)技術は多次元FLIMデータセットから計測を抽出し解釈するのに適している。
• 参考スコア（独自算出の注目度）: 16.519888238537003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fluorescence lifetime imaging microscopy (FLIM) is a powerful technique in biomedical research that uses the fluorophore decay rate to provide additional contrast in fluorescence microscopy. However, at present, the calculation, analysis, and interpretation of FLIM is a complex, slow, and computationally expensive process. Machine learning (ML) techniques are well suited to extract and interpret measurements from multi-dimensional FLIM data sets with substantial improvement in speed over conventional methods. In this topical review, we first discuss the basics of FILM and ML. Second, we provide a summary of lifetime extraction strategies using ML and its applications in classifying and segmenting FILM images with higher accuracy compared to conventional methods. Finally, we discuss two potential directions to improve FLIM with ML with proof of concept demonstrations.
• Abstract（参考訳）: 蛍光寿命イメージング顕微鏡(FLIM)は、蛍光顕微鏡のさらなるコントラストを与えるためにフルオロフォア崩壊率を利用するバイオメディカル研究において強力な技術である。 しかしながら、flimの計算、解析、解釈は、現在複雑で、遅く、計算的に高価なプロセスである。 機械学習(ML)技術は,従来の手法よりも高速で,多次元FLIMデータセットから測定を抽出し,解釈するのに適している。 本稿ではまず,FILMとMLの基礎について論じる。 第2に,MLを用いた終生抽出戦略の要約とFILM画像の分類・セグメント化への応用について,従来の方法と比較して高い精度で述べる。 最後に,概念実証を用いてFLIMをMLで改善する2つの可能性について論じる。

関連論文リスト

• Enhancing Fluorescence Lifetime Parameter Estimation Accuracy with Differential Transformer Based Deep Learning Model Incorporating Pixelwise Instrument Response Function [0.3441582801949978]
  本稿では,最新の微分変換器エンコーダ・デコーダアーキテクチャであるMFliNetを用いた新しいDLアーキテクチャを提案する。 本モデルの性能は, 慎重に設計し, 複雑な組織模倣ファントムと前臨床内癌異種移植実験により実証した。
  論文  参考訳（メタデータ） (2024-11-25T20:03:41Z)
• CoMMIT: Coordinated Instruction Tuning for Multimodal Large Language Models [68.64605538559312]
  本稿では,MLLM命令のチューニングを理論的・経験的両面から解析する。 そこで本研究では,学習バランスを定量的に評価する尺度を提案する。 さらに,MLLMの生成分布の更新を促進する補助的損失正規化手法を提案する。
  論文  参考訳（メタデータ） (2024-07-29T23:18:55Z)
• On machine learning analysis of atomic force microscopy images for image classification, sample surface recognition [2.356908851188234]
  原子間力顕微鏡(AFM)イメージングは、顕微鏡技術の中で機械学習(ML)分析に最も適している。 説明されたアプローチは、すでに生物学的細胞の表面の分析と分類に成功している。 医学的画像、特定の材料処理、法医学的な研究、さらには芸術の真正性を識別するために応用することができる。
  論文  参考訳（メタデータ） (2024-03-24T16:48:10Z)
• Feast Your Eyes: Mixture-of-Resolution Adaptation for Multimodal Large Language Models [84.78513908768011]
  MRA(Mixture-of-Resolution Adaptation)と呼ばれるMLLMの新規かつ効率的な手法を提案する。 MRAは解像度の異なる画像に対して2つの視覚経路を採用し、高解像度の視覚情報を低解像度の経路に埋め込む。 MRAを検証するために、LLaVAと呼ばれる最近のMLLMに適用し、新しいモデルLLaVA-HRと呼ぶ。
  論文  参考訳（メタデータ） (2024-03-05T14:31:24Z)
• DB-LLM: Accurate Dual-Binarization for Efficient LLMs [83.70686728471547]
  大規模言語モデル(LLM)は自然言語処理の分野を著しく進歩させてきた。 既存の超低ビット量子化は、常に深刻な精度低下を引き起こす。 本稿では,LLM,すなわちDB-LLMのための新しいデュアルバイナライズ手法を提案する。
  論文  参考訳（メタデータ） (2024-02-19T09:04:30Z)
• Learned, Uncertainty-driven Adaptive Acquisition for Photon-Efficient Multiphoton Microscopy [12.888922568191422]
  多光子イメージング計測のための画素ワイド不確実性を同時に認識し,予測する手法を提案する。 本手法はヒト子宮内膜組織の実験的ノイズMPM測定に有用である。 実実験データを用いたデノナイジングタスクにおける分布自由不確実性定量化を初めて実証する。
  論文  参考訳（メタデータ） (2023-10-24T18:06:03Z)
• Fast fluorescence lifetime imaging analysis via extreme learning machine [7.7721777809498676]
  極端学習機械(ELM)を用いた蛍光寿命顕微鏡(FLIM)の高速かつ正確な解析法を提案する。 その結果,ELMは低光子条件でも高い忠実度が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-25T16:34:51Z)
• MAML is a Noisy Contrastive Learner [72.04430033118426]
  モデルに依存しないメタラーニング(MAML)は、今日では最も人気があり広く採用されているメタラーニングアルゴリズムの1つである。 我々は、MAMLの動作メカニズムに対する新たな視点を提供し、以下に示すように、MAMLは、教師付きコントラスト目的関数を用いたメタラーナーに類似している。 このような干渉を軽減するため, 単純だが効果的な手法であるゼロ化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-29T12:52:26Z)
• Convolutional Neural Network Denoising in Fluorescence Lifetime Imaging Microscopy (FLIM) [16.558653673949838]
  蛍光寿命イメージング顕微鏡(FLIM)システムは、その遅い処理速度、低信号対雑音比(SNR)、および高価で困難なハードウェアセットアップによって制限されています。 そこで本研究では,FLIM SNRを改善するために畳み込み畳み込みネットワークを適用した。 ネットワークは、アナログ信号処理に基づく高速なデータ取得、高効率パルス変調を用いた高SNR、オフザシェルフ無線周波数成分を用いたコスト効率実装を備えたインスタントFLIMシステムと統合される。
  論文  参考訳（メタデータ） (2021-03-07T03:27:44Z)
• Machine Learning Force Fields [54.48599172620472]
  機械学習(ML)は、計算化学の多くの進歩を可能にした。 最も有望な応用の1つは、MLベースの力場(FF)の構築である。 本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
  論文  参考訳（メタデータ） (2020-10-14T13:14:14Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。