論文の概要: Multi-StyleGAN: Towards Image-Based Simulation of Time-Lapse Live-Cell Microscopy

• arxiv url: http://arxiv.org/abs/2106.08285v1
• Date: Tue, 15 Jun 2021 16:51:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-16 15:34:27.744731
• Title: Multi-StyleGAN: Towards Image-Based Simulation of Time-Lapse Live-Cell Microscopy
• Title（参考訳）: マルチスタイルGAN:タイムラプスライブセル顕微鏡のイメージベースシミュレーションに向けて
• Authors: Tim Prangemeier, Christoph Reich, Christian Wildner and Heinz Koeppl
• Abstract要約: 生体細胞の時間分解蛍光顕微鏡像をシミュレートする手法としてMulti-StyleGANを提案する。 この新規な生成逆ネットワークは連続した時間ステップのマルチドメイン配列を合成する。 このシミュレーションは、細胞の形態、成長、物理的相互作用、および蛍光レポータータンパク質の強度など、基礎となる生理的要因と時間的依存を捉えている。
• 参考スコア（独自算出の注目度）: 23.720106678247888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-lapse fluorescent microscopy (TLFM) combined with predictive mathematical modelling is a powerful tool to study the inherently dynamic processes of life on the single-cell level. Such experiments are costly, complex and labour intensive. A complimentary approach and a step towards completely in silico experiments, is to synthesise the imagery itself. Here, we propose Multi-StyleGAN as a descriptive approach to simulate time-lapse fluorescence microscopy imagery of living cells, based on a past experiment. This novel generative adversarial network synthesises a multi-domain sequence of consecutive timesteps. We showcase Multi-StyleGAN on imagery of multiple live yeast cells in microstructured environments and train on a dataset recorded in our laboratory. The simulation captures underlying biophysical factors and time dependencies, such as cell morphology, growth, physical interactions, as well as the intensity of a fluorescent reporter protein. An immediate application is to generate additional training and validation data for feature extraction algorithms or to aid and expedite development of advanced experimental techniques such as online monitoring or control of cells. Code and dataset is available at https://git.rwth-aachen.de/bcs/projects/tp/multi-stylegan.
• Abstract（参考訳）: TLFM(Time-lapse fluorescent microscopy)と予測数学的モデリングを組み合わせることで、単細胞レベルでの生命の自然な動的な過程を研究する強力なツールとなる。 このような実験は費用がかかり、複雑で、労働集約的です。 完全なシリコ実験への補完的なアプローチと一歩は、画像自体を合成することである。 本稿では, 生体細胞の時間分解蛍光顕微鏡像をシミュレーションするための記述的アプローチとしてMulti-StyleGANを提案する。 この新規な生成逆ネットワークは連続した時間ステップのマルチドメイン配列を合成する。 微小な環境下での複数の生きた酵母細胞の画像にMulti-StyleGANを導入し,実験室で記録されたデータセットにトレーニングを行った。 このシミュレーションは、細胞の形態、成長、物理的相互作用、蛍光レポータータンパク質の強度など、基礎となる生理的要因と時間的依存を捉えている。 直接の用途は、特徴抽出アルゴリズムのための追加のトレーニングと検証データを生成するか、オンライン監視やセルの制御のような高度な実験技術の開発を支援することである。 コードとデータセットはhttps://git.rwth-aachen.de/bcs/projects/tp/multi-styleganで入手できる。

関連論文リスト

• Enhancing Fluorescence Lifetime Parameter Estimation Accuracy with Differential Transformer Based Deep Learning Model Incorporating Pixelwise Instrument Response Function [0.3441582801949978]
  本稿では,最新の微分変換器エンコーダ・デコーダアーキテクチャであるMFliNetを用いた新しいDLアーキテクチャを提案する。 本モデルの性能は, 慎重に設計し, 複雑な組織模倣ファントムと前臨床内癌異種移植実験により実証した。
  論文  参考訳（メタデータ） (2024-11-25T20:03:41Z)
• Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
  マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。 本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• RigLSTM: Recurrent Independent Grid LSTM for Generalizable Sequence Learning [75.61681328968714]
  本稿では,対象タスクの基盤となるモジュール構造を利用するために,リカレントな独立したGrid LSTM(RigLSTM)を提案する。 本モデルでは, セル選択, 入力特徴選択, 隠れ状態選択, ソフト状態更新を採用し, より優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-11-03T07:40:06Z)
• SynopSet: Multiscale Visual Abstraction Set for Explanatory Analysis of DNA Nanotechnology Simulations [60.05887213349294]
  DNAナノテクノロジー領域における分子動力学シミュレーション(MDS)の説明的解析のための視覚表現の連続性を持つ新しい抽象集合(SynopSet)を提案する。 この集合はまた、すべての空間的および時間的詳細と全ての構造的複雑さを示すことができるように設計されている。 我々の表現の集合は、SynopSpaceと呼ばれる可視化空間に体系的に配置できることを示してきた。
  論文  参考訳（メタデータ） (2022-04-18T06:53:52Z)
• Search for temporal cell segmentation robustness in phase-contrast microscopy videos [31.92922565397439]
  本研究では,3次元コラーゲンマトリックスに埋め込まれた癌細胞を分画する深層学習ワークフローを提案する。 また, 癌細胞形態を研究するための幾何学的特徴付け手法を提案する。 2Dセルのセグメンテーションと追跡のための新しいアノテーション付きデータセットと、実験を再現したり、新しい画像処理問題に適応するためのオープンソース実装を導入する。
  論文  参考訳（メタデータ） (2021-12-16T12:03:28Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Generation and Simulation of Yeast Microscopy Imagery with Deep Learning [0.0]
  時間経過蛍光顕微鏡(tlfm)は合成生物研究において重要なツールである。 本論文は,画像レベルでのtlfm実験の深層学習に基づくモデリングに向けた研究である。
  論文  参考訳（メタデータ） (2021-03-22T13:30:24Z)
• CellCycleGAN: Spatiotemporal Microscopy Image Synthesis of Cell Populations using Statistical Shape Models and Conditional GANs [0.07117593004982078]
  蛍光標識細胞核の合成2D+t画像データを生成する新しい方法を開発した。 GANコンディショニングの効果を示し、セルセグメンテーションやトラッキングアプローチの訓練に容易に使用できる合成画像のセットを作成する。
  論文  参考訳（メタデータ） (2020-10-22T20:02:41Z)
• 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)
• Data-Driven Discovery of Molecular Photoswitches with Multioutput Gaussian Processes [51.17758371472664]
  フォトウィッチ可能な分子は、光によってアクセスされる2つ以上の異性体である。 本稿では、データセットキュレーションとマルチタスク学習を基盤とした、分子フォトウィッチのためのデータ駆動探索パイプラインを提案する。 提案手法は, 市販フォトウィッチ可能な分子のライブラリーをスクリーニングし, 実験的に検証した。
  論文  参考訳（メタデータ） (2020-06-28T20:59:03Z)

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。