論文の概要: A fully automated end-to-end process for fluorescence microscopy images
of yeast cells: From segmentation to detection and classification
- arxiv url: http://arxiv.org/abs/2104.02793v1
- Date: Tue, 6 Apr 2021 21:24:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-08 12:54:03.974007
- Title: A fully automated end-to-end process for fluorescence microscopy images
of yeast cells: From segmentation to detection and classification
- Title(参考訳): 酵母細胞の蛍光顕微鏡画像の完全自動エンドツーエンドプロセス:セグメント化から検出・分類まで
- Authors: Asmaa Haja and Lambert R.B. Schomaker
- Abstract要約: 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。
- 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: In recent years, an enormous amount of fluorescence microscopy images were
collected in high-throughput lab settings. Analyzing and extracting relevant
information from all images in a short time is almost impossible. Detecting
tiny individual cell compartments is one of many challenges faced by
biologists. This paper aims at solving this problem by building an end-to-end
process that employs methods from the deep learning field to automatically
segment, detect and classify cell compartments of fluorescence microscopy
images of yeast cells. With this intention we used Mask R-CNN to automatically
segment and label a large amount of yeast cell data, and YOLOv4 to
automatically detect and classify individual yeast cell compartments from these
images. This fully automated end-to-end process is intended to be integrated
into an interactive e-Science server in the PerICo1 project, which can be used
by biologists with minimized human effort in training and operation to complete
their various classification tasks. In addition, we evaluated the detection and
classification performance of state-of-the-art YOLOv4 on data from the
NOP1pr-GFP-SWAT yeast-cell data library. Experimental results show that by
dividing original images into 4 quadrants YOLOv4 outputs good detection and
classification results with an F1-score of 98% in terms of accuracy and speed,
which is optimally suited for the native resolution of the microscope and
current GPU memory sizes. Although the application domain is optical microscopy
in yeast cells, the method is also applicable to multiple-cell images in
medical applications
- Abstract(参考訳): 近年,大量の蛍光顕微鏡画像が高スループットの実験室で収集されている。
短時間ですべての画像から関連情報を分析・抽出することはほぼ不可能である。
小さな細胞区画を検出することは、生物学者が直面する多くの課題の1つだ。
本稿では, 酵母細胞の蛍光顕微鏡画像の自動分離, 検出, 分類を行う深層学習分野からの手法を用いたエンドツーエンドプロセスの構築により, この問題を解決することを目的とする。
この目的でマスクr-cnnを用いて大量の酵母細胞データを自動分割しラベル付けし,yolov4を用いて各酵母細胞のコンパートメントを自動的に検出・分類した。
この完全に自動化されたエンドツーエンドプロセスは、PerICo1プロジェクトでインタラクティブなe-Scienceサーバに統合されることを意図している。
さらに,NOP1pr-GFP-SWAT酵母データライブラリのデータから,最先端YOLOv4の検出と分類性能を評価した。
実験結果から,元の画像を4つのクアドラントに分割することにより,F1スコア98%の精度と速度で優れた検出と分類結果を出力し,顕微鏡のネイティブ解像度と現在のGPUメモリサイズに最適であることがわかった。
応用領域は酵母細胞における光学顕微鏡であるが、医療応用における多細胞画像にも応用できる。
関連論文リスト
- IDCIA: Immunocytochemistry Dataset for Cellular Image Analysis [0.5057850174013127]
そこで我々は,細胞画像解析のための機械学習手法の有効性を向上させるために,新しい注釈付き微視的セル画像データセットを提案する。
我々のデータセットには、細胞の顕微鏡像と、各画像、細胞数、細胞の位置が含まれています。
論文 参考訳(メタデータ) (2024-11-13T19:33:08Z) - 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) - Practical Guidelines for Cell Segmentation Models Under Optical Aberrations in Microscopy [14.042884268397058]
本研究は,光収差下でのセル画像のセグメンテーションモデルについて,蛍光顕微鏡と光電場顕微鏡を用いて評価する。
ネットワークヘッドの異なるOstoしきい値法やMask R-CNNなどのセグメンテーションモデルをトレーニングし,テストする。
対照的に、Cellpose 2.0は同様の条件下で複雑な細胞画像に有効であることが証明されている。
論文 参考訳(メタデータ) (2024-04-12T15:45:26Z) - 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) - 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) - 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) - From augmented microscopy to the topological transformer: a new approach
in cell image analysis for Alzheimer's research [0.0]
細胞画像解析は、細胞機能を抑制するA$beta$タンパク質の存在を検出するために、アルツハイマーの研究において重要である。
Unetは,マルチクラスセマンティックスセグメンテーションの性能を比較することで,拡張顕微鏡に最も適していることがわかった。
我々は,Unetモデルを用いて,光電場画像中の原子核を捕捉する拡張顕微鏡法を開発し,入力画像を位相情報列に変換する。
論文 参考訳(メタデータ) (2021-08-03T16:59:33Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳(メタデータ) (2020-11-24T01:53:39Z) - 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) - MicroAnalyzer: A Python Tool for Automated Bacterial Analysis with
Fluorescence Microscopy [0.0]
MicroAnalyzerは、顕微鏡画像解析のためのエンドツーエンドのプラットフォームである。
最先端のディープラーニングセグメンテーションモデルに基づいて、正確なセルと蛍光クラスターセグメンテーションを提供する。
初期のディープラーニングモデルトレーニングを除いて、研究者からそれ以上の入力は不要である。
論文 参考訳(メタデータ) (2020-09-26T20:45:19Z) - 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。