論文の概要: Probabilistic Spatial Analysis in Quantitative Microscopy with Uncertainty-Aware Cell Detection using Deep Bayesian Regression of Density Maps

• arxiv url: http://arxiv.org/abs/2102.11865v1
• Date: Tue, 23 Feb 2021 18:52:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-25 09:12:20.194639
• Title: Probabilistic Spatial Analysis in Quantitative Microscopy with Uncertainty-Aware Cell Detection using Deep Bayesian Regression of Density Maps
• Title（参考訳）: 密度マップの深ベイズ回帰を用いた不確実性細胞検出による定量的顕微鏡の確率的空間解析
• Authors: Alvaro Gomariz, Tiziano Portenier, C\'esar Nombela-Arrieta, Orcun Goksel
• Abstract要約: 3d顕微鏡は多様な生物系の研究の鍵である。 本稿では,大規模顕微鏡画像上で動作可能な深層学習型細胞検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.534825157831387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D microscopy is key in the investigation of diverse biological systems, and the ever increasing availability of large datasets demands automatic cell identification methods that not only are accurate, but also can imply the uncertainty in their predictions to inform about potential errors and hence confidence in conclusions using them. While conventional deep learning methods often yield deterministic results, advances in deep Bayesian learning allow for accurate predictions with a probabilistic interpretation in numerous image classification and segmentation tasks. It is however nontrivial to extend such Bayesian methods to cell detection, which requires specialized learning frameworks. In particular, regression of density maps is a popular successful approach for extracting cell coordinates from local peaks in a postprocessing step, which hinders any meaningful probabilistic output. We herein propose a deep learning-based cell detection framework that can operate on large microscopy images and outputs desired probabilistic predictions by (i) integrating Bayesian techniques for the regression of uncertainty-aware density maps, where peak detection can be applied to generate cell proposals, and (ii) learning a mapping from the numerous proposals to a probabilistic space that is calibrated, i.e. accurately represents the chances of a successful prediction. Utilizing such calibrated predictions, we propose a probabilistic spatial analysis with Monte-Carlo sampling. We demonstrate this in revising an existing description of the distribution of a mesenchymal stromal cell type within the bone marrow, where our proposed methods allow us to reveal spatial patterns that are otherwise undetectable. Introducing such probabilistic analysis in quantitative microscopy pipelines will allow for reporting confidence intervals for testing biological hypotheses of spatial distributions.
• Abstract（参考訳）: 3d顕微鏡は多様な生体システムの研究の鍵であり、大規模データセットの可用性が高まるにつれて、精度だけでなく、予測の不確実性も示唆し、潜在的なエラーやそれを用いた結論への信頼が高まる。 従来の深層学習法は決定論的な結果をもたらすことが多いが、深層ベイズ学習の進歩は、多数の画像分類および分割タスクにおける確率的解釈を伴う正確な予測を可能にする。 しかし、このようなベイズ法を細胞検出に拡張するのは非自明であり、特殊な学習フレームワークを必要とする。 特に、密度マップの回帰は、後処理ステップで局所的なピークからセル座標を抽出する成功例であり、これは有意義な確率的出力を妨げる。 本稿では,大規模顕微鏡画像上で動作し,(i)セル提案を生成するためにピーク検出を適用可能な不確実性認識密度マップの回帰のためのベイズ法を統合し,(ii)多数の提案から校正される確率空間へのマッピングを学ぶことにより,所望の確率的予測を行う深層学習型セル検出フレームワークを提案する。 予測が成功する確率を正確に表します。 このようなキャリブレーション予測を用いて,モンテカルロサンプリングを用いた確率空間解析を提案する。 本研究では, 骨髄内における間葉系間質細胞型の分布について, 既存の記述を修正し, 検出不能な空間パターンを明らかにする方法を提案する。 このような確率論的解析を定量的顕微鏡パイプラインに導入することで、空間分布の生物学的仮説をテストするための信頼区間を報告できる。

関連論文リスト

• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Uncertainty Quantification in Deep Neural Networks through Statistical Inference on Latent Space [0.0]
  ネットワークに供給されたデータポイントの潜在空間表現を利用して予測精度を評価するアルゴリズムを開発した。 一般的に使われている手法が大半が過信である合成データセットについて述べる。 対照的に,本手法は,不正確な予測を行うようなアウト・オブ・ディストリビューション・データ・ポイントを検出できるため,アウトレーヤの自動検出に役立てることができる。
  論文  参考訳（メタデータ） (2023-05-18T09:52:06Z)
• End-to-end cell recognition by point annotation [5.130998755172569]
  本稿では,事前設定されたアンカーポイントに対して,直接回帰と分類を適用するエンドツーエンドフレームワークを提案する。 具体的には,低レベル特徴と高レベル意味論を同時に組み合わせたピラミッド型特徴集合戦略を提案する。 さらに,基本事実と予測点とを一致させて,マルチタスク学習フレームワークを適応させる最適化コスト関数を設計した。
  論文  参考訳（メタデータ） (2022-07-01T02:44:58Z)
• Distributional Gaussian Processes Layers for Out-of-Distribution Detection [18.05109901753853]
  ディープニューラルネットワークに依存する分布外検出モデルが、医用画像の領域シフトを検出するのに適しているかどうかは不明だ。 本稿では,ワッサーシュタイン2空間で動作するガウス過程を組み込んだ階層的畳み込みガウス過程に対するパラメータ効率のよいベイズ層を提案する。 我々の不確実性推定は、以前のベイズネットワークの能力を上回る分布外検出をもたらす。
  論文  参考訳（メタデータ） (2022-06-27T14:49:48Z)
• Marginalization in Bayesian Networks: Integrating Exact and Approximate Inference [0.0]
  欠落データと隠れ変数は、変数のサブセットの限界確率分布を計算する必要がある。 ベイジアンネットワークのグラフィカルな特性を利用した分割・コンカレント手法を開発した。 分類変数の限界確率分布を推定するための効率的でスケーラブルなアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-16T21:49:52Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Exploring the Intrinsic Probability Distribution for Hyperspectral Anomaly Detection [9.653976364051564]
  超スペクトル異常検出のための原データにおける背景と異常の両方の固有分布を探索する新しい確率分布表現検出器(pdrd)を提案する。 提案手法の性能を評価するために, 4つの実データ集合の実験を行った。
  論文  参考訳（メタデータ） (2021-05-14T11:42:09Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)

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。