論文の概要: Simulation-supervised deep learning for analysing organelles states and behaviour in living cells

• arxiv url: http://arxiv.org/abs/2008.12617v1
• Date: Wed, 26 Aug 2020 19:53:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 22:14:28.224298
• Title: Simulation-supervised deep learning for analysing organelles states and behaviour in living cells
• Title（参考訳）: 生体細胞の臓器状態と行動解析のためのシミュレーションによる深層学習
• Authors: Arif Ahmed Sekh and Ida S. Opstad and Rohit Agarwal and Asa Birna Birgisdottir and Truls Myrmel and Balpreet Singh Ahluwalia and Krishna Agarwal and Dilip K. Prasad
• Abstract要約: 物理に基づく精密な顕微鏡データのモデリングが、教師あり学習のためのシミュレーショントレーニングデータセットを生成するための解決策であることを示す。 IoUスコアはミトコンドリアの2成分分画で91%と前代未聞の値を示した。
• 参考スコア（独自算出の注目度）: 9.606697185025988
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many real-world scientific problems, generating ground truth (GT) for supervised learning is almost impossible. The causes include limitations imposed by scientific instrument, physical phenomenon itself, or the complexity of modeling. Performing artificial intelligence (AI) tasks such as segmentation, tracking, and analytics of small sub-cellular structures such as mitochondria in microscopy videos of living cells is a prime example. The 3D blurring function of microscope, digital resolution from pixel size, optical resolution due to the character of light, noise characteristics, and complex 3D deformable shapes of mitochondria, all contribute to making this problem GT hard. Manual segmentation of 100s of mitochondria across 1000s of frames and then across many such videos is not only herculean but also physically inaccurate because of the instrument and phenomena imposed limitations. Unsupervised learning produces less than optimal results and accuracy is important if inferences relevant to therapy are to be derived. In order to solve this unsurmountable problem, we bring modeling and deep learning to a nexus. We show that accurate physics based modeling of microscopy data including all its limitations can be the solution for generating simulated training datasets for supervised learning. We show here that our simulation-supervised segmentation approach is a great enabler for studying mitochondrial states and behaviour in heart muscle cells, where mitochondria have a significant role to play in the health of the cells. We report unprecedented mean IoU score of 91% for binary segmentation (19% better than the best performing unsupervised approach) of mitochondria in actual microscopy videos of living cells. We further demonstrate the possibility of performing multi-class classification, tracking, and morphology associated analytics at the scale of individual mitochondrion.
• Abstract（参考訳）: 多くの実世界の科学的問題において、教師あり学習のための基底真理(GT)の生成はほぼ不可能である。 原因には、科学機器による制限、物理現象そのもの、モデリングの複雑さが含まれる。 生体細胞の顕微鏡ビデオにおいて、ミトコンドリアなどの小さなサブ細胞構造をセグメント化、追跡、分析などの人工知能(AI)タスクを実行することが主要な例である。 顕微鏡の3次元ぼやけ機能、ピクセルサイズからのデジタル解像度、光の性質による光学解像度、ノイズ特性、ミトコンドリアの複雑な3d変形可能な形状などが、gt問題を困難にしている。 1000のフレームにまたがる100のミトコンドリアのマニュアルセグメンテーション、そして多くの動画にまたがる手動セグメンテーションは、ヘラクレス的なだけでなく、楽器や現象によって制限が課せられるため物理的に不正確である。 教師なし学習では最適な結果が得られず、治療に関連する推論が導出される場合には精度が重要である。 この不可解な問題を解決するために、我々はnexusにモデリングとディープラーニングをもたらす。 物理に基づく精密なマイクロコピーデータのモデリングは、教師あり学習のためのシミュレーショントレーニングデータセットを生成するための解決策であることを示す。 ここでは,シミュレーションによる分節化アプローチが心筋細胞におけるミトコンドリア状態や行動の解明に有効であり,ミトコンドリアは細胞の健康に重要な役割を担っていることを示した。 前例のない平均iouスコアは、生きた細胞の顕微鏡映像でミトコンドリアの2値セグメンテーション(最高の教師なしアプローチよりも19%良い)の91%である。 さらに,個別マイトンドリオンのスケールで多種分類,追跡,形態学的関連分析を行う可能性を実証する。

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)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Generative modeling of living cells with SO(3)-equivariant implicit neural representations [2.146287726016005]
  ニューラルネットワークによって推定される符号付き距離関数(SDF)のレベルセットとして,生きた細胞形状を表現することを提案する。 我々は、完全に接続されたニューラルネットワークを最適化し、3D+時間領域の任意の時点におけるSDF値の暗黙的な表現を提供する。 本研究では, 急激な変形を示す細胞 (Platynereis dumerilii) , 増殖・分裂する細胞 (C. elegans) , および糸状体突起を成長・分岐する細胞 (A549ヒト肺癌細胞) に対するこのアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-04-18T12:51:18Z)
• 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
  本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。 また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
  論文  参考訳（メタデータ） (2023-03-21T17:58:49Z)
• MiShape: 3D Shape Modelling of Mitochondria in Microscopy [65.7909757178576]
  ミトコンドリアに先立ってMiShapeと呼ばれる形状を学習することでギャップを埋める手法を提案する。 MiShapeはミトコンドリア形状の暗黙的な表現を用いて学習された生成モデルである。 2次元蛍光画像または2次元スライスの小さな3次元スタックが与えられた3次元形状再構成におけるMiShapeの表現力とその有用性を示す。
  論文  参考訳（メタデータ） (2023-03-02T19:21:21Z)
• Fast spline detection in high density microscopy data [0.0]
  多生物系の顕微鏡的研究において、衝突と重なりの問題は依然として困難である。 そこで,本研究では,一般的なモチーフと重なり合うスプラインの正確な形状軌跡を抽出する,エンドツーエンドの深層学習手法を開発した。 線虫Caenorhabditis elegansの密集実験における使用性の設定と実証を行った。
  論文  参考訳（メタデータ） (2023-01-11T13:40:05Z)
• Semi-Supervised Segmentation of Mitochondria from Electron Microscopy Images Using Spatial Continuity [3.631638087834872]
  ミトコンドリアの構造的・形態的・文脈的情報の空間的連続性を利用してミトコンドリアをセグメント化する半教師付き深層学習モデルを提案する。 我々のモデルは、最先端の完全教師付きモデルと同じような性能を達成するが、アノテーション付きトレーニングデータの20%しか必要としない。
  論文  参考訳（メタデータ） (2022-06-06T06:52:19Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• MitoVis: A Visually-guided Interactive Intelligent System for Neuronal Mitochondria Analysis [3.8321883338074034]
  エンド・ツー・エンドのデータ処理と神経ミトコンドリアの形態のインタラクティブ解析のための新しい可視化システムであるMitoVisを紹介する。 MitoVisは、機械学習のドメイン知識を必要とせずに、トレーニング済みのニューラルネットワークモデルのインタラクティブな微調整を可能にする。
  論文  参考訳（メタデータ） (2021-09-03T07:31:59Z)
• 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)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。