Fugu-MT 論文翻訳(概要): Mining Artifacts in Mycelium SEM Micrographs

論文の概要: Mining Artifacts in Mycelium SEM Micrographs

arxiv url: http://arxiv.org/abs/2103.07573v1
Date: Fri, 12 Mar 2021 23:32:06 GMT
ステータス: 処理完了
システム内更新日: 2021-03-16 13:46:52.529973
Title: Mining Artifacts in Mycelium SEM Micrographs
Title（参考訳）: 菌糸体semマイクログラフの鉱業用アーティファクト
Authors: Thaicia Stona de Almeida
Abstract要約: 菌糸体は菌糸体に基づく有望な生体材料であり、非常に多孔質なナノファイバー構造である。菌糸体キャラクタリゼーションにおける人工ナノ繊維のソフトウェアの採用は、解析にイメージングアーティファクトの形成の不確実性をもたらす。報告された研究は、ミセリウムのマッピングされた細孔内のアーティファクトの同定を自動化する、教師付きおよび教師なしの機械学習手法を組み合わせている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Mycelium is a promising biomaterial based on fungal mycelium, a highly porous, nanofibrous structure. Scanning electron micrographs are used to characterize its network, but the currently available tools for nanofibrous microstructures do not contemplate the particularities of biomaterials. The adoption of a software for artificial nanofibrous in mycelium characterization adds the uncertainty of imaging artifact formation to the analysis. The reported work combines supervised and unsupervised machine learning methods to automate the identification of artifacts in the mapped pores of mycelium microstructure. Keywords: Machine learning; unsupervised learning; image processing; mycelium; microstructure informatics
Abstract（参考訳）: 菌糸体は菌糸体に基づく有望な生体材料であり、非常に多孔質なナノファイバー構造である。走査型電子顕微鏡はネットワークの特徴付けに用いられているが、現在利用可能なナノ繊維マイクロ構造のためのツールは、生体材料の特異性を考慮していない。菌糸体キャラクタリゼーションにおける人工ナノ繊維のソフトウェアの採用は、解析にイメージングアーティファクトの形成の不確実性をもたらす。報告された研究は、ミセリウムのマッピングされた細孔内のアーティファクトの同定を自動化する、教師付きおよび教師なしの機械学習手法を組み合わせている。キーワード:機械学習、教師なし学習、画像処理、菌糸体、組織情報学

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)
EMCNet : Graph-Nets for Electron Micrographs Classification [0.0]
ナノマテリアル識別のためのエンド・ツー・エンドの電子マイクログラフ表現学習フレームワークを提案する。筆者らのフレームワークは,ナノマテリアルに基づく識別タスクにおいて,オープンソースデータセットの一般的なベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2024-08-21T02:15:26Z)
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)
Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文参考訳（メタデータ） (2023-10-16T13:58:53Z)
Automated Grain Boundary (GB) Segmentation and Microstructural Analysis in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy [2.0445155106382797]
オーステナイト347Hステンレス鋼は、極端な運転条件に要求される優れた機械的特性と耐食性を提供する。 CNNベースのディープラーニングモデルは、材料マイクログラフから機能を自動で検出する強力な技術である。走査型電子顕微鏡(SEM)による347Hステンレス鋼のトレーニングデータと電子後方散乱(EBSD)マイクログラフを,粒界検出のためのピクセルワイドラベルとして組み合わせた。
論文参考訳（メタデータ） (2023-05-12T22:49:36Z)
Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文参考訳（メタデータ） (2022-05-31T13:26:51Z)
Learning multi-scale functional representations of proteins from single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文参考訳（メタデータ） (2022-05-24T00:00:07Z)
Graph Neural Networks for Microbial Genome Recovery [64.91162205624848]
本稿では,グラフニューラルネットワーク(GNN)を用いて,メダゲノミクスビニングのためのコンティグ表現を学習する際のアセンブリグラフを活用することを提案する。提案手法であるVaeG-Binは,個々のコンティグの潜在表現を学習するための変分オートエンコーダと,アセンブリグラフ内のコンティグの近傍構造を考慮したGNNを組み合わせる。
論文参考訳（メタデータ） (2022-04-26T12:49:51Z)
Deep Convolutional Generative Modeling for Artificial Microstructure Development of Aluminum-Silicon Alloy [0.0]
アルミニウム-シリコン合金の人工組織構築に, 深部生成モデリングを適用した。 Deep Generative Adversarial Networksは、与えられた微細構造画像データセットの人工的微細構造の開発に使用されている。
論文参考訳（メタデータ） (2021-09-06T05:59:06Z)
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)
Automatic identification of fossils and abiotic grains during carbonate microfacies analysis using deep convolutional neural networks [1.520387509697271]
堆積物環境の解釈や古生態学的復元には, 薄片の微細構造同定に基づく岩石学的解析が広く用いられている。骨格の断片の形態学的および微細構造的多様性を識別するには、微生物の化石形態の広範な事前知識が必要である。
論文参考訳（メタデータ） (2020-09-24T00:58:48Z)

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。