論文の概要: Smart mobile microscopy: towards fully-automated digitization
- arxiv url: http://arxiv.org/abs/2105.11179v1
- Date: Mon, 24 May 2021 09:55:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 22:37:47.968695
- Title: Smart mobile microscopy: towards fully-automated digitization
- Title（参考訳）: スマートモバイル顕微鏡:完全自動デジタル化に向けて
- Authors: A. Kornilova, I. Kirilenko, D. Iarosh, V. Kutuev, M. Strutovsky
- Abstract要約: 本稿では,最も価値のある視覚情報の自動デジタル化を目的とした,スマートな移動顕微鏡の概念を提案する。
我々は、自動顕微鏡設定制御とオートフォーカス、インフォーカスフィルタリング、フォーカススタッキングといった古典的な技術を組み合わせることでこれを実現している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Mobile microscopy is a newly formed field that emerged from a combination of
optical microscopy capabilities and spread, functionality, and ever-increasing
computing resources of mobile devices. Despite the idea of creating a system
that would successfully merge a microscope, numerous computer vision methods,
and a mobile device is regularly examined, the resulting implementations still
require the presence of a qualified operator to control specimen digitization.
In this paper, we address the task of surpassing this constraint and present a
``smart'' mobile microscope concept aimed at automatic digitization of the most
valuable visual information about the specimen. We perform this through
combining automated microscope setup control and classic techniques such as
auto-focusing, in-focus filtering, and focus-stacking -- adapted and optimized
as parts of a mobile cross-platform library.
- Abstract（参考訳）: モバイル顕微鏡は、光学顕微鏡の能力と拡散、機能、そしてモバイルデバイスのコンピューティングリソースの増大の組み合わせから生まれた、新しく形成された分野である。
顕微鏡、多数のコンピュータビジョン法、モバイルデバイスを定期的に検査するシステムを構築するというアイデアにもかかわらず、結果として得られた実装は、標本のデジタル化を制御する資格のあるオペレーターの存在を必要とする。
本稿では,この制約を克服する課題に対処し,標本に関する最も重要な視覚情報の自動デジタル化を目的とした,‘smart’ 移動型顕微鏡のコンセプトを提案する。
我々は、自動顕微鏡セットアップ制御と、オートフォーカス、インフォーカスフィルタリング、フォーカススタックといった古典的なテクニックを組み合わせることで、これを実行します。
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) - DualFocus: Integrating Macro and Micro Perspectives in Multi-modal Large
Language Models [85.4852517178828]
マルチモーダル大言語モデル(MLLM)におけるマクロ・マイクロ視点の統合フレームワークであるDualFocusについて述べる。
本研究は,DualFocusが総合的な洞察と詳細な検査のバランスをとる上で優れていることを示し,MLLMの幻覚例を著しく減らした。
論文 参考訳（メタデータ） (2024-02-22T18:26:02Z) - Gravitational cell detection and tracking in fluorescence microscopy
data [0.18828620190012021]
我々は、現代の機械学習モデルと競合し、潜在的に勝る可能性のある重力場に基づく新しいアプローチを提案する。
この方法では、検出、セグメンテーション、トラッキング要素が含まれ、その結果はCell Tracking Challengeデータセットで示される。
論文 参考訳（メタデータ） (2023-12-06T14:08:05Z) - Application of the YOLOv5 Model for the Detection of Microobjects in the
Marine Environment [101.18253437732933]
海洋環境における微小物体の自動検出と認識の問題を解決するためのYOLOV5機械学習モデルの有効性について検討した。
論文 参考訳（メタデータ） (2022-11-28T10:58:50Z) - Towards Augmented Microscopy with Reinforcement Learning-Enhanced
Workflows [0.0]
我々は,電子ビームを事前の知識なく自律的に整列させるネットワークをテスト・開発するための仮想環境を開発する。
我々は、顕微鏡上で成功したモデルをデプロイし、そのアプローチを検証し、適切な仮想環境を設計する価値を実証する。
全体としては、RLを利用することで、広範囲なアルゴリズム設計を必要とせずに、顕微鏡操作を自動化できることが示されている。
論文 参考訳（メタデータ） (2022-08-04T20:02:21Z) - Ultrafast Focus Detection for Automated Microscopy [0.0]
連続的に収集した電子顕微鏡画像に対する高速な焦点検出アルゴリズムを提案する。
本手法は, 従来のコンピュータビジョン技術に適応し, 様々な微細な組織学的特徴を検出する手法である。
アウト・オブ・フォーカス条件をほぼリアルタイムに検出するテストが実施されている。
論文 参考訳（メタデータ） (2021-08-26T22:24:41Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - 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) - Global Voxel Transformer Networks for Augmented Microscopy [54.730707387866076]
本稿では,拡張顕微鏡のための高度な深層学習ツールであるグローバルボクセルトランスフォーマーネットワーク(GVTNets)を紹介する。
GVTNetはグローバルな情報収集が可能なグローバルなボクセル変換演算子(GVTO)上に構築されている。
提案手法を既存のデータセットに適用し,様々な環境下での3種類の拡張顕微鏡タスクについて検討する。
論文 参考訳（メタデータ） (2020-08-05T20:11:15Z) - Deep learning Framework for Mobile Microscopy [2.432228495683345]
専門的な臨床顕微鏡に開発された既存のソリューションの限界について論じる。
我々は、それに対応する改善を提案し、他の最先端のモバイル分析ソリューションと比較する。
論文 参考訳（メタデータ） (2020-07-27T17:27:59Z) - Multi-element microscope optimization by a learned sensing network with
composite physical layers [3.2435888122704037]
デジタル顕微鏡は、コンピュータアルゴリズムによる自動解釈のために画像をキャプチャするために使用される。
本研究では,複数の顕微鏡設定を協調的に最適化する手法と分類ネットワークについて検討する。
ネットワークの低分解能顕微鏡画像(20X-comparable)は、対応する高分解能画像の分類性能に匹敵する十分なコントラストを有する機械学習ネットワークを提供することを示す。
論文 参考訳（メタデータ） (2020-06-27T16:49:37Z)
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。