論文の概要: Deep Learning to Detect Bacterial Colonies for the Production of
Vaccines
- arxiv url: http://arxiv.org/abs/2009.00926v1
- Date: Wed, 2 Sep 2020 10:10:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 19:02:36.514693
- Title: Deep Learning to Detect Bacterial Colonies for the Production of
Vaccines
- Title(参考訳): ワクチン生産のための細菌コロニー検出のための深層学習
- Authors: Thomas Beznik, Paul Smyth, Ga\"el de Lannoy and John A. Lee
- Abstract要約: 本研究は, 病原性コロニーと非病原性コロニーの区別を許容精度で行うことが可能であることを示す。
探索には多くの可能性が残されているが,本研究の結果は,細菌コロニーの分離・分類における深層学習の可能性を示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: During the development of vaccines, bacterial colony forming units (CFUs) are
counted in order to quantify the yield in the fermentation process. This manual
task is time-consuming and error-prone. In this work we test multiple
segmentation algorithms based on the U-Net CNN architecture and show that these
offer robust, automated CFU counting. We show that the multiclass
generalisation with a bespoke loss function allows distinguishing virulent and
avirulent colonies with acceptable accuracy. While many possibilities are left
to explore, our results show the potential of deep learning for separating and
classifying bacterial colonies.
- Abstract(参考訳): ワクチンの開発において、発酵過程の収量を測定するために細菌コロニー形成単位(CFU)を数える。
このマニュアルタスクは時間がかかり、エラーが発生します。
本研究では、U-Net CNNアーキテクチャに基づいて複数のセグメント化アルゴリズムをテストし、これらが堅牢で自動化されたCFUカウントを提供することを示す。
自発的損失関数を持つマルチクラス一般化は, 許容可能な精度で病原性コロニーと病原性コロニーを区別できることを示す。
多くの可能性が残されているが、この結果は細菌コロニーを分離し分類する深層学習の可能性を示している。
関連論文リスト
- Interpretable Enzyme Function Prediction via Residue-Level Detection [58.30647671797602]
本稿では,酵素機能予測のための注意に基づくフレームワークであるProtDETRを提案する。
学習可能な関数クエリのセットを使用して、残差レベルの一連の特徴から異なるローカル表現を適応的に抽出する。
ProtDETRは、既存のディープラーニングベースの酵素機能予測法よりも大幅に優れている。
論文 参考訳(メタデータ) (2025-01-10T01:02:43Z) - Multi-Granularity Semantic Revision for Large Language Model Distillation [66.03746866578274]
LLM蒸留における多粒性セマンティックリビジョン法を提案する。
シーケンスレベルでは、シーケンス修正と再生戦略を提案する。
トークンレベルでは、蒸留目的関数として、Kulback-Leibler損失を補正する分布適応クリッピングを設計する。
スパンレベルでは、シーケンスのスパン前処理を利用して、スパン内の確率相関を計算し、教師と学生の確率相関を一貫性に制約する。
論文 参考訳(メタデータ) (2024-07-14T03:51:49Z) - Semi-Automatic Labeling and Semantic Segmentation of Gram-Stained
Microscopic Images from DIBaS Dataset [2.0225826789157404]
深層学習モデルは、細菌種のセグメンテーションと分類を達成するために訓練される。
ディープラーニングモデルは、バイオメディカル画像処理に多大な応用を見出す。
論文 参考訳(メタデータ) (2022-08-23T05:18:19Z) - BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。
BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
論文 参考訳(メタデータ) (2022-06-03T16:25:48Z) - Deep neural networks approach to microbial colony detection -- a
comparative analysis [52.77024349608834]
本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。
得られた結果は将来の実験のベンチマークとして機能するかもしれない。
論文 参考訳(メタデータ) (2021-08-23T12:06:00Z) - A Mask R-CNN approach to counting bacterial colony forming units in
pharmaceutical development [0.0]
本論文では,Mask R-CNN法を用いた各種細菌コロニー形成ユニットのカウント法について述べる。
ユーザーは料理の画像をアップロードでき、その後、このタスクのために特別に訓練され調整されたMask R-CNNモデルは、BVG+とBVG+のコロニーの数を検出する。
私たちの適応マスクR-CNNモデルは、交差オーバーユニオン(IoU)のしきい値50%で平均平均精度(mAP)94%を達成します。
論文 参考訳(メタデータ) (2021-03-09T10:31:00Z) - Classifying bacteria clones using attention-based deep multiple instance
learning interpreted by persistence homology [2.094672430475796]
これは難しい課題であり、以前は高いクローンの類似性のために不可能と考えられていた。
本稿では、CellProfilerと永続化ホモロジーに基づく広範囲な解釈可能性を導入し、モデルの理解可能性と信頼性を高める。
論文 参考訳(メタデータ) (2020-12-02T13:20:39Z) - 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) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳(メタデータ) (2020-09-12T20:37:33Z) - DistNet: Deep Tracking by displacement regression: application to
bacteria growing in the Mother Machine [2.741266294612776]
本稿では,トラッキングエラー率とセグメンテーションエラー率を極端に低くする自己認識機構を活用するディープニューラルネットワークアーキテクチャを提案する。
本手法はDISTance+DISplacement and Tracking Networkの略であるDiSTNetと名付けられた。
論文 参考訳(メタデータ) (2020-03-17T16:13:44Z)
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。