論文の概要: MicroAnalyzer: A Python Tool for Automated Bacterial Analysis with Fluorescence Microscopy

• arxiv url: http://arxiv.org/abs/2009.12684v1
• Date: Sat, 26 Sep 2020 20:45:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 08:45:15.413104
• Title: MicroAnalyzer: A Python Tool for Automated Bacterial Analysis with Fluorescence Microscopy
• Title（参考訳）: MicroAnalyzer:蛍光顕微鏡を用いた自動細菌解析のためのPythonツール
• Authors: Jonathan Reiner, Guy Azran, Gal Hyams
• Abstract要約: MicroAnalyzerは、顕微鏡画像解析のためのエンドツーエンドのプラットフォームである。 最先端のディープラーニングセグメンテーションモデルに基づいて、正確なセルと蛍光クラスターセグメンテーションを提供する。 初期のディープラーニングモデルトレーニングを除いて、研究者からそれ以上の入力は不要である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fluorescence microscopy is a widely used method among cell biologists for studying the localization and co-localization of fluorescent protein. For microbial cell biologists, these studies often include tedious and time-consuming manual segmentation of bacteria and of the fluorescence clusters or working with multiple programs. Here, we present MicroAnalyzer - a tool that automates these tasks by providing an end-to-end platform for microscope image analysis. While such tools do exist, they are costly, black-boxed programs. Microanalyzer offers an open-source alternative to these tools, allowing flexibility and expandability by advanced users. MicroAnalyzer provides accurate cell and fluorescence cluster segmentation based on state-of-the-art deep-learning segmentation models, combined with ad-hoc post-processing and Colicoords - an open-source cell image analysis tool for calculating general cell and fluorescence measurements. Using these methods, it performs better than generic approaches since the dynamic nature of neural networks allows for a quick adaptation to experiment restrictions and assumptions. Other existing tools do not consider experiment assumptions, nor do they provide fluorescence cluster detection without the need for any specialized equipment. The key goal of MicroAnalyzer is to automate the entire process of cell and fluorescence image analysis "from microscope to database", meaning it does not require any further input from the researcher except for the initial deep-learning model training. In this fashion, it allows the researchers to concentrate on the bigger picture instead of granular, eye-straining labor
• Abstract（参考訳）: 蛍光顕微鏡は、蛍光タンパク質の局在と共局在を研究するために、細胞生物学者の間で広く用いられている方法である。 微生物細胞生物学者にとって、これらの研究には、細菌や蛍光クラスターの退屈で時間を要する手作業のセグメンテーションや、複数のプログラムを扱うことが含まれる。 ここでは、顕微鏡画像解析のためのエンドツーエンドプラットフォームを提供することにより、これらのタスクを自動化するMicroAnalyzerを紹介する。 このようなツールは存在するが、コストがかかるブラックボックスプログラムである。 microanalyzerはこれらのツールのオープンソース代替を提供し、高度なユーザによる柔軟性と拡張性を実現している。 MicroAnalyzerは、最先端のディープラーニングセグメンテーションモデルとアドホックな後処理とColicoordsを組み合わせた、正確なセルと蛍光クラスターのセグメンテーションを提供する。 これらの手法を用いることで、ニューラルネットワークのダイナミックな性質によって、制約や仮定の実験に素早く適応できるため、汎用的なアプローチよりもパフォーマンスが向上する。 他の既存のツールは実験の前提を考慮せず、特別な機器を必要とせずに蛍光クラスタの検出も行わない。 MicroAnalyzerの主な目標は、「顕微鏡からデータベースまで」細胞と蛍光画像解析の全プロセスを自動化することである。 この方法では、研究者たちは、粒度の大きい眼球運動ではなく、大きな画像に集中できる。

関連論文リスト

• The Berkeley Single Cell Computational Microscopy (BSCCM) Dataset [1.53744306569115]
  本稿では,バークレー単細胞顕微鏡データセットについて紹介する。 このデータセットには、40万個の白血球の12,000,000枚以上の画像が含まれている。
  論文  参考訳（メタデータ） (2024-02-09T05:10:53Z)
• A novel framework employing deep multi-attention channels network for the autonomous detection of metastasizing cells through fluorescence microscopy [0.20999222360659603]
  正常細胞と転移細胞を区別できる計算フレームワークを開発した。 この方法は、正常で転移する単細胞においてアクチンとビメンチンフィラメントの空間的構造を示す蛍光顕微鏡画像に依存する。
  論文  参考訳（メタデータ） (2023-09-02T11:20:10Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• Learning multi-scale functional representations of proteins from single-cell microscopy data [77.34726150561087]
  局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。 また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-24T00:00:07Z)
• Deep metric learning improves lab of origin prediction of genetically engineered plasmids [63.05016513788047]
  遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。 本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。 我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
  論文  参考訳（メタデータ） (2021-11-24T16:29:03Z)
• 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 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)
• A fully automated end-to-end process for fluorescence microscopy images of yeast cells: From segmentation to detection and classification [0.0]
  酵母細胞の蛍光顕微鏡画像の細胞区画を自動的にセグメント化し、検出し、分類するエンドツーエンドのプロセスを構築します。 この完全に自動化されたプロセスは、PerICo1プロジェクトの対話型e-Scienceサーバに統合される。 応用領域は酵母細胞における光学顕微鏡であるが、医療用途における多細胞画像にも適用できる。
  論文  参考訳（メタデータ） (2021-04-06T21:24:50Z)
• 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)
• Learning to segment clustered amoeboid cells from brightfield microscopy via multi-task learning with adaptive weight selection [6.836162272841265]
  マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。 ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。 検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
  論文  参考訳（メタデータ） (2020-05-19T11:31:53Z)

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。