論文の概要: Deeply-Supervised Density Regression for Automatic Cell Counting in Microscopy Images

• arxiv url: http://arxiv.org/abs/2011.03683v2
• Date: Tue, 10 Nov 2020 01:57:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 22:25:36.452661
• Title: Deeply-Supervised Density Regression for Automatic Cell Counting in Microscopy Images
• Title（参考訳）: 顕微鏡画像における細胞自動計数のための高精度密度回帰法
• Authors: Shenghua He, Kyaw Thu Minn, Lilianna Solnica-Krezel, Mark A. Anastasio and Hua Li
• Abstract要約: 顕微鏡画像中の細胞を自動的にカウントする密度回帰に基づく新しい手法を提案する。 提案手法は, 従来のレグレッションベース手法と比較して, 2つのイノベーションを処理している。 4つのデータセットで評価した実験により,提案手法の優れた性能が示された。
• 参考スコア（独自算出の注目度）: 9.392002197101965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately counting the number of cells in microscopy images is required in many medical diagnosis and biological studies. This task is tedious, time-consuming, and prone to subjective errors. However, designing automatic counting methods remains challenging due to low image contrast, complex background, large variance in cell shapes and counts, and significant cell occlusions in two-dimensional microscopy images. In this study, we proposed a new density regression-based method for automatically counting cells in microscopy images. The proposed method processes two innovations compared to other state-of-the-art density regression-based methods. First, the density regression model (DRM) is designed as a concatenated fully convolutional regression network (C-FCRN) to employ multi-scale image features for the estimation of cell density maps from given images. Second, auxiliary convolutional neural networks (AuxCNNs) are employed to assist in the training of intermediate layers of the designed C-FCRN to improve the DRM performance on unseen datasets. Experimental studies evaluated on four datasets demonstrate the superior performance of the proposed method.
• Abstract（参考訳）: 多くの医学的診断や生物学的研究において、顕微鏡画像中の細胞数を正確にカウントする必要がある。 このタスクは退屈で時間がかかり、主観的なエラーを起こしやすい。 しかし, 画像コントラストの低下, 背景の複雑化, 細胞形状とカウントのばらつき, および二次元顕微鏡画像における有意な細胞閉塞などにより, 自動計測手法の設計は依然として困難である。 本研究では,顕微鏡画像中の細胞を自動的に計数する新しい密度回帰法を提案する。 提案手法は他の最先端の密度回帰法と比較して2つの革新を処理している。 まず, 密度回帰モデル (DRM) をC-FCRN (concatenated fully convolutional regression network) として設計し, 与えられた画像からセル密度マップを推定するためのマルチスケール画像特徴を用いた。 第二に、補助畳み込みニューラルネットワーク(AuxCNN)を使用して、設計したC-FCRNの中間層をトレーニングし、目に見えないデータセットのDRM性能を改善する。 4つのデータセットで評価した実験は,提案手法の優れた性能を示す。

関連論文リスト

• Benchmarking the Cell Image Segmentation Models Robustness under the Microscope Optical Aberrations [15.920475243253765]
  本研究は, シミュレーション収差条件下でのセルインスタンスセグメンテーションモデルの性能を包括的に評価する。 ネットワークヘッドが異なるMask R-CNNのような様々なセグメンテーションモデルが訓練され、異常条件下でテストされた。 以上の結果より,FPNとSwinSの併用は,小収差による単純細胞像の処理において優れた堅牢性を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-04-12T15:45:26Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• 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)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• CellCentroidFormer: Combining Self-attention and Convolution for Cell Detection [4.555723508665994]
  顕微鏡画像における細胞検出のためのハイブリッドCNN-ViTモデルを提案する。 センチロイドを用いた細胞検出法は、細胞を楕円体として表現し、エンドツーエンドの訓練を可能にする。
  論文  参考訳（メタデータ） (2022-06-01T09:04:39Z)
• Increasing a microscope's effective field of view via overlapped imaging and machine learning [4.23935174235373]
  この研究は、高効率自動検体分析のために単一のセンサー上で複数の独立した視野を重畳するマルチレンズ顕微鏡イメージングシステムを示す。
  論文  参考訳（メタデータ） (2021-10-10T22:52:36Z)
• From augmented microscopy to the topological transformer: a new approach in cell image analysis for Alzheimer's research [0.0]
  細胞画像解析は、細胞機能を抑制するA$beta$タンパク質の存在を検出するために、アルツハイマーの研究において重要である。 Unetは,マルチクラスセマンティックスセグメンテーションの性能を比較することで,拡張顕微鏡に最も適していることがわかった。 我々は,Unetモデルを用いて,光電場画像中の原子核を捕捉する拡張顕微鏡法を開発し,入力画像を位相情報列に変換する。
  論文  参考訳（メタデータ） (2021-08-03T16:59:33Z)
• 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)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• 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。