論文の概要: Multiclass Yeast Segmentation in Microstructured Environments with Deep
Learning
- arxiv url: http://arxiv.org/abs/2011.08062v2
- Date: Thu, 19 Nov 2020 14:28:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 01:27:45.017483
- Title: Multiclass Yeast Segmentation in Microstructured Environments with Deep
Learning
- Title(参考訳): 深層学習による微粒環境のマルチクラス酵母セグメンテーション
- Authors: Tim Prangemeier, Christian Wildner, Andr\'e O. Fran\c{c}ani, Christoph
Reich, Heinz Koeppl
- Abstract要約: 我々は、個々の酵母細胞の多クラスセグメンテーションのために訓練された畳み込みニューラルネットワークを提案する。
本手法は, 微構造環境下での酵母のセグメンテーションへの寄与を, 典型的な合成生物学的応用で示す。
- 参考スコア(独自算出の注目度): 20.456742449675904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cell segmentation is a major bottleneck in extracting quantitative
single-cell information from microscopy data. The challenge is exasperated in
the setting of microstructured environments. While deep learning approaches
have proven useful for general cell segmentation tasks, existing segmentation
tools for the yeast-microstructure setting rely on traditional machine learning
approaches. Here we present convolutional neural networks trained for
multiclass segmenting of individual yeast cells and discerning these from
cell-similar microstructures. We give an overview of the datasets recorded for
training, validating and testing the networks, as well as a typical use-case.
We showcase the method's contribution to segmenting yeast in microstructured
environments with a typical synthetic biology application in mind. The models
achieve robust segmentation results, outperforming the previous
state-of-the-art in both accuracy and speed. The combination of fast and
accurate segmentation is not only beneficial for a posteriori data processing,
it also makes online monitoring of thousands of trapped cells or closed-loop
optimal experimental design feasible from an image processing perspective.
- Abstract(参考訳): 細胞分割は顕微鏡データから定量的な単細胞情報を抽出する上で大きなボトルネックである。
この課題は、マイクロ構造化環境の設定において誇張されている。
ディープラーニングアプローチは一般的な細胞セグメンテーションタスクに有用であることが証明されているが、酵母-ミクロ構造設定のための既存のセグメンテーションツールは従来の機械学習アプローチに依存している。
本稿では,各酵母細胞のマルチクラスセグメンテーションを訓練した畳み込みニューラルネットワークについて述べる。
トレーニング、検証、テストのために記録されたデータセットの概要と典型的なユースケースについて説明する。
本手法は, 典型的な合成生物学的応用を念頭に, 酵母の微構造環境における分節化への貢献を示す。
モデルが頑健なセグメンテーションの結果を達成し、従来の最先端の精度と速度を両立させる。
高速かつ正確なセグメンテーションの組み合わせは、後部データ処理に有用であるだけでなく、数千の閉じ込められたセルのオンラインモニタリングや、画像処理の観点からクローズドループ最適実験設計を可能にする。
関連論文リスト
- Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。
我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。
いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
論文 参考訳(メタデータ) (2024-02-26T03:49:18Z) - MatSAM: Efficient Extraction of Microstructures of Materials via Visual
Large Model [11.130574172301365]
Segment Anything Model (SAM)は、強力な深い特徴表現とゼロショットの一般化機能を備えた大きなビジュアルモデルである。
本稿では,SAMに基づく汎用的で効率的なマイクロ構造抽出法であるMatSAMを提案する。
簡単なが効果的な点ベースのプロンプト生成戦略が設計され、ミクロ構造の分布と形状に基づいている。
論文 参考訳(メタデータ) (2024-01-11T03:18:18Z) - Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
核セグメンテーションのための拡散法を初めて導入する。
このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。
実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
論文 参考訳(メタデータ) (2023-10-22T06:16:16Z) - An Instance Segmentation Dataset of Yeast Cells in Microstructures [26.801504820020288]
本稿では, 酵母細胞を微細構造にセグメント化するための新しいデータセットを提案する。
計493枚の濃密な注釈付き顕微鏡像を公表した。
データセットと評価戦略の目的は,新しい細胞セグメンテーション手法の開発を容易にすることである。
論文 参考訳(メタデータ) (2023-04-15T17:05:24Z) - 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) - Attention-Based Transformers for Instance Segmentation of Cells in
Microstructures [22.215852332444904]
本稿では, 直接端対端のインスタンスセグメンテーションのための新しいアテンションベースセル検出トランス (Cell-DETR) を提案する。
セグメンテーション性能は最先端のインスタンスセグメンテーション法と同等だが、Cell-DETRはよりシンプルで高速である。
特定のユースケースでは、提案手法は意味的セグメンテーションのための最先端のツールを超越し、個別のオブジェクトインスタンスを予測する。
論文 参考訳(メタデータ) (2020-11-19T10:49:56Z) - 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) - Split and Expand: An inference-time improvement for Weakly Supervised
Cell Instance Segmentation [71.50526869670716]
本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。
Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。
拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
論文 参考訳(メタデータ) (2020-07-21T14:05:09Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳(メタデータ) (2020-06-22T08:35:58Z) - 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。