論文の概要: DeepCEL0 for 2D Single Molecule Localization in Fluorescence Microscopy

• arxiv url: http://arxiv.org/abs/2107.02281v1
• Date: Mon, 5 Jul 2021 21:31:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-07 13:32:05.423968
• Title: DeepCEL0 for 2D Single Molecule Localization in Fluorescence Microscopy
• Title（参考訳）: 蛍光顕微鏡による2次元単一分子局在のdeepcel0
• Authors: Pasquale Cascarano, Maria Colomba Comes, Andrea Sebastiani, Arianna Mencattini, Elena Loli Piccolomini, Eugenio Martinelli
• Abstract要約: 蛍光顕微鏡において、単一分子局在顕微鏡法は、高精度な高密度蛍光分子の局在化を目的としている。 超分解能(SR)は、本質的な光回折限界を超えることができるため、この分野において重要な役割を果たす。 SMLM法により得られた高密度フレームの高精度な分子局在化のためのディープラーニングに基づくアルゴリズムを提案する。
• 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 fluorescence microscopy, Single Molecule Localization Microscopy (SMLM) techniques aim at localizing with high precision high density fluorescent molecules by stochastically activating and imaging small subsets of blinking emitters. Super Resolution (SR) plays an important role in this field since it allows to go beyond the intrinsic light diffraction limit. In this work, we propose a deep learning-based algorithm for precise molecule localization of high density frames acquired by SMLM techniques whose $\ell_{2}$-based loss function is regularized by positivity and $\ell_{0}$-based constraints. The $\ell_{0}$ is relaxed through its Continuous Exact $\ell_{0}$ (CEL0) counterpart. The arising approach, named DeepCEL0, is parameter-free, more flexible, faster and provides more precise molecule localization maps if compared to the other state-of-the-art methods. We validate our approach on both simulated and real fluorescence microscopy data.
• Abstract（参考訳）: 蛍光顕微鏡では、単分子局在顕微鏡(smlm)技術は、電離エミッターの小さなサブセットを確率的に活性化・イメージングすることで、高精度の高密度蛍光分子を局在化することを目的としている。 超分解能(SR)は、本質的な光回折限界を超えることができるため、この分野において重要な役割を果たす。 本研究では,SMLM法により得られた高密度フレームの高精度な分子局在化のための深層学習に基づくアルゴリズムを提案する。 この$\ell_{0}$ は連続的な$\ell_{0}$ (cel0) によって緩和される。 deepcel0と呼ばれるアプローチはパラメータフリーで柔軟性があり、より高速で、他の最先端の手法と比較して正確な分子局在マップを提供する。 シミュレーションおよび実蛍光顕微鏡データを用いて本手法の有効性を検証する。

関連論文リスト

• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• DB-LLM: Accurate Dual-Binarization for Efficient LLMs [83.70686728471547]
  大規模言語モデル(LLM)は自然言語処理の分野を著しく進歩させてきた。 既存の超低ビット量子化は、常に深刻な精度低下を引き起こす。 本稿では,LLM,すなわちDB-LLMのための新しいデュアルバイナライズ手法を提案する。
  論文  参考訳（メタデータ） (2024-02-19T09:04:30Z)
• Localising two sub-diffraction emitters in 3D using quantum correlation microscopy [7.994006808120411]
  量子相関顕微鏡は、単一の回折制限スポット内の2つのエミッタに対して回折無制限の3次元局在を提供する。 回折無限局所化は、ハンベリー・ブラウンとツイツの測定による強度と光子相関の両方を用いて最大4つの測定位置で達成される。
  論文  参考訳（メタデータ） (2023-10-04T05:07:42Z)
• High-resolution 'magic'-field spectroscopy on trapped polyatomic molecules [62.997667081978825]
  分子の冷却とトラップの急速な進歩は、捕捉された二原子分子の高分解能分光の最初の実験を可能にした。 この研究を多原子分子に拡張することは、より複雑な幾何学とさらなる内部自由度のために、ユニークな機会をもたらす。
  論文  参考訳（メタデータ） (2021-10-21T15:46:17Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• Ultracold $^{88}\rm{Sr}_2$ molecules in the absolute ground state [0.0]
  アルカリ-アース-金属二量体の絶対基底状態における超低温ガスの効率的な全光学的生成を報告する。 その結果,アルカリ-アース-金属二量体を用いた高精度分光法が得られた。
  論文  参考訳（メタデータ） (2021-08-12T23:33:17Z)
• Linear probing of molecules at micrometric distances from a surface with sub-Doppler frequency resolution [0.0]
  我々は,この手法の線形性と高分解能を利用して,$mathrmSF_6$温室効果ガスに関する新しい分光情報を得る。 我々の研究の細い細胞への自然な拡張は、コンパクトな周波数参照を可能にし、分子とのカシミール・ポルダー相互作用の測定を改善します。
  論文  参考訳（メタデータ） (2021-06-13T09:49:23Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Spatially-Variant CNN-based Point Spread Function Estimation for Blind Deconvolution and Depth Estimation in Optical Microscopy [6.09170287691728]
  薄めながら平らでない物体の光顕微鏡画像の解像度を向上する手法を提案する。 畳み込みニューラルネットワーク(CNN)を用いた空間変動点スプレッド関数(PSF)モデルのパラメータを推定する。 本手法は,理想条件下での2乗ピアソン相関係数0.99で画像自体からPSFパラメータを復元する。
  論文  参考訳（メタデータ） (2020-10-08T14:20:16Z)
• Ensemble Learning of Coarse-Grained Molecular Dynamics Force Fields with a Kernel Approach [2.562811344441631]
  グラディエントドメイン機械学習(GDML)は、分子ポテンシャルと関連する力場を学習するための正確で効率的なアプローチである。 全原子シミュレーションデータから有効粗粒度(CG)モデルを学習するための応用を実証する。 アンサンブル学習と階層化サンプリングを用いて,データ効率とメモリ節約の代替案を提案する。
  論文  参考訳（メタデータ） (2020-05-04T21:20:01Z)
• Anisotropy-mediated reentrant localization [62.997667081978825]
  2次元双極子系、$d=2$、一般化双極子-双極子相互作用$sim r-a$、トラップイオン系やリドバーグ原子系で実験的に制御されたパワー$a$を考える。 異方性双極子交換を引き起こす双極子の空間的に均質な傾き$$beta$は、ロケータ展開を超えた非自明な再帰的局在をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-01-31T19:00:01Z)

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。