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
- DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。
我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
論文 参考訳(メタデータ) (2024-10-04T00:38:29Z) - Mew: Multiplexed Immunofluorescence Image Analysis through an Efficient Multiplex Network [84.88767228835928]
マルチプレックスネットワークのレンズを通してmIF画像を効率的に処理する新しいフレームワークであるMewを紹介する。
Mew は、幾何学情報のための Voronoi ネットワークと、セルワイドの均一性を捉えるセル型ネットワークという、2つの異なる層からなる多重ネットワークを革新的に構築する。
このフレームワークは、トレーニング中にグラフ全体を処理できるスケーラブルで効率的なグラフニューラルネットワーク(GNN)を備えている。
論文 参考訳(メタデータ) (2024-07-25T08:22:30Z) - Masked Autoencoders for Microscopy are Scalable Learners of Cellular Biology [2.7280901660033643]
本研究は、弱教師付き分類器と自己教師付きマスク付きオートエンコーダ(MAE)のスケーリング特性について検討する。
以上の結果から,ViTをベースとしたMAEは,様々なタスクにおいて弱い教師付き分類器よりも優れており,公的なデータベースから得られた既知の生物学的関係を思い出すと,11.5%の相対的な改善が達成されることがわかった。
我々は、異なる数のチャネルと順序の画像を推論時に入力できる新しいチャネルに依存しないMAEアーキテクチャ(CA-MAE)を開発した。
論文 参考訳(メタデータ) (2024-04-16T02:42:06Z) - 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) - 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) - 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。