論文の概要: Deep Learning of Cell Classification using Microscope Images of
Intracellular Microtubule Networks
- arxiv url: http://arxiv.org/abs/2012.12125v1
- Date: Wed, 16 Dec 2020 09:32:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 08:51:11.180851
- Title: Deep Learning of Cell Classification using Microscope Images of
Intracellular Microtubule Networks
- Title(参考訳): 細胞内微小管ネットワークの顕微鏡画像を用いた細胞分類の深層学習
- Authors: Aleksei Shpilman, Dmitry Boikiy, Marina Polyakova, Daniel Kudenko,
Anton Burakov and Elena Nadezhdina
- Abstract要約: 微小管網 (microtubule network, mts) は、様々な化学物質の存在を示す細胞の構成要素である。
人間の専門家は、細胞の化合物曝露のレベルを認識することは困難です。
異なるレベルの化学物質曝露を認識するタスクは、ニューラルネットワークによって人間の専門家よりはるかにうまく処理できることが示される。
- 参考スコア(独自算出の注目度): 1.4680035572775534
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Microtubule networks (MTs) are a component of a cell that may indicate the
presence of various chemical compounds and can be used to recognize properties
such as treatment resistance. Therefore, the classification of MT images is of
great relevance for cell diagnostics. Human experts find it particularly
difficult to recognize the levels of chemical compound exposure of a cell.
Improving the accuracy with automated techniques would have a significant
impact on cell therapy. In this paper we present the application of Deep
Learning to MT image classification and evaluate it on a large MT image dataset
of animal cells with three degrees of exposure to a chemical agent. The results
demonstrate that the learned deep network performs on par or better at the
corresponding cell classification task than human experts. Specifically, we
show that the task of recognizing different levels of chemical agent exposure
can be handled significantly better by the neural network than by human
experts.
- Abstract(参考訳): マイクロタブールネットワーク(MT)は、様々な化学物質の存在を示すことができる細胞の構成要素であり、治療抵抗性などの特性を認識するために用いられる。
したがって,MT画像の分類は細胞診断に極めて重要である。
ヒトの専門家は、細胞の化合物曝露のレベルを認識するのが特に難しいと考えている。
自動化技術による精度の向上は、細胞療法に大きな影響を与える。
本稿では, 深層学習をMT画像分類に適用し, 化学薬品に3度曝露した動物細胞の大規模なMT画像データセット上で評価する。
その結果、学習した深層ネットワークは、人間の専門家よりも、対応する細胞分類タスクにおいて同等以上の性能を発揮することが示された。
具体的には、異なるレベルの化学物質曝露を認識するタスクは、ニューラルネットワークによって人間の専門家よりはるかにうまく処理できることを示す。
関連論文リスト
- Nondestructive, quantitative viability analysis of 3D tissue cultures
using machine learning image segmentation [0.0]
本稿では,3次元培養における細胞生存率の定量化のための画像処理アルゴリズムについて述べる。
提案アルゴリズムは,1対の人的専門家に対して,数日にわたる全体像と培養マトリクスの合成において,同様の性能を示すことを示す。
論文 参考訳(メタデータ) (2023-11-15T20:28:31Z) - 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) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳(メタデータ) (2023-08-04T01:19:32Z) - 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) - Deep-learning assisted detection and quantification of (oo)cysts of
Giardia and Cryptosporidium on smartphone microscopy images [0.1349100458364391]
我々は,ジアルディアおよびクリプトスポリジウムの(o)嚢胞を検出する3つの最先端物体検出器の性能評価を行った。
深層学習モデルは、その有効性と限界を探求するために用いられた。
以上の結果から, 深層学習モデルでは, 明視野顕微鏡画像データセットの方が精度がよいが, スマートフォンの顕微鏡による予測は, 非専門家の予測性能に匹敵することがわかった。
論文 参考訳(メタデータ) (2023-04-11T16:58:59Z) - ChemVise: Maximizing Out-of-Distribution Chemical Detection with the
Novel Application of Zero-Shot Learning [60.02503434201552]
本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。
合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
論文 参考訳(メタデータ) (2023-02-09T20:19:57Z) - 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) - 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) - DETCID: Detection of Elongated Touching Cells with Inhomogeneous
Illumination using a Deep Adversarial Network [5.076419064097733]
Clostridioides difficile infection (C. diff) は、米国の病院における二次感染による死の最も一般的な原因である。
論文 参考訳(メタデータ) (2020-07-13T21:43:27Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳(メタデータ) (2020-02-05T21:38:57Z)
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。