論文の概要: Increasing a microscope's effective field of view via overlapped imaging
and machine learning
- arxiv url: http://arxiv.org/abs/2110.04921v1
- Date: Sun, 10 Oct 2021 22:52:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-14 11:00:42.667368
- Title: Increasing a microscope's effective field of view via overlapped imaging
and machine learning
- Title(参考訳): 重畳画像と機械学習による顕微鏡の有効視野の増大
- Authors: Xing Yao, Vinayak Pathak, Haoran Xi, Amey Chaware, Colin Cooke,
Kanghyun Kim, Shiqi Xu, Yuting Li, Timothy Dunn, Pavan Chandra Konda, Kevin
C. Zhou, Roarke Horstmeyer
- Abstract要約: この研究は、高効率自動検体分析のために単一のセンサー上で複数の独立した視野を重畳するマルチレンズ顕微鏡イメージングシステムを示す。
- 参考スコア(独自算出の注目度): 4.23935174235373
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work demonstrates a multi-lens microscopic imaging system that overlaps
multiple independent fields of view on a single sensor for high-efficiency
automated specimen analysis. Automatic detection, classification and counting
of various morphological features of interest is now a crucial component of
both biomedical research and disease diagnosis. While convolutional neural
networks (CNNs) have dramatically improved the accuracy of counting cells and
sub-cellular features from acquired digital image data, the overall throughput
is still typically hindered by the limited space-bandwidth product (SBP) of
conventional microscopes. Here, we show both in simulation and experiment that
overlapped imaging and co-designed analysis software can achieve accurate
detection of diagnostically-relevant features for several applications,
including counting of white blood cells and the malaria parasite, leading to
multi-fold increase in detection and processing throughput with minimal
reduction in accuracy.
- Abstract(参考訳): この研究は、高効率自動検体分析のために単一のセンサー上で複数の独立した視野を重畳するマルチレンズ顕微鏡イメージングシステムを示す。
様々な形態的特徴の自動検出・分類・カウントは、現在、医学研究と疾患診断の両方において重要な要素となっている。
畳み込みニューラルネットワーク(CNN)は、取得したデジタル画像データから細胞数とサブセル特徴の精度を劇的に向上させているが、全体的なスループットは、通常、従来の顕微鏡の限られた空間帯域積(SBP)によって妨げられている。
ここでは, 画像重複解析ソフトウェアと共同設計した解析ソフトウェアを用いて, 白血球数やマラリア原虫数などの診断関連特徴を精度良く検出し, 精度を最小に抑えながら検出・処理スループットを複数倍に向上させることをシミュレーションおよび実験で示す。
関連論文リスト
- 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) - 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) - 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) - Multimodal Multi-Head Convolutional Attention with Various Kernel Sizes
for Medical Image Super-Resolution [56.622832383316215]
超解像CTおよびMRIスキャンのための新しいマルチヘッド畳み込みアテンションモジュールを提案する。
我々の注目モジュールは、畳み込み操作を用いて、複数の入力テンソルに対して共同的な空間チャネルアテンションを行う。
それぞれの頭部は空間的注意に対する特定の減少率に応じた受容野の大きさの異なる複数の注意ヘッドを導入している。
論文 参考訳(メタデータ) (2022-04-08T07:56:55Z) - 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) - Deeply-Supervised Density Regression for Automatic Cell Counting in
Microscopy Images [9.392002197101965]
顕微鏡画像中の細胞を自動的にカウントする密度回帰に基づく新しい手法を提案する。
提案手法は, 従来のレグレッションベース手法と比較して, 2つのイノベーションを処理している。
4つのデータセットで評価した実験により,提案手法の優れた性能が示された。
論文 参考訳(メタデータ) (2020-11-07T04:02:47Z) - 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) - Microscopic fine-grained instance classification through deep attention [7.50282814989294]
限られたサンプルを用いた微視的画像データのきめ細かい分類は、コンピュータビジョンとバイオメディカルイメージングにおいて未解決の問題である。
本稿では,エンドツーエンドで2つのタスクを同時に実行する,シンプルで効果的なディープネットワークを提案する。
その結果、堅牢だが軽量なエンドツーエンドのトレーニング可能なディープネットワークが実現し、最先端の結果が得られます。
論文 参考訳(メタデータ) (2020-10-06T15:29:58Z) - Multiscale Detection of Cancerous Tissue in High Resolution Slide Scans [0.0]
高分解能スライドスキャンにおけるマルチスケール腫瘍(キメラ細胞)検出アルゴリズムを提案する。
提案手法では,CNNの異なる層における有効受容場を改良し,幅広いスケールの物体を1つの前方通過で検出する。
論文 参考訳(メタデータ) (2020-10-01T18:56:46Z) - 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) - Recognizing Magnification Levels in Microscopic Snapshots [2.6234848946076785]
デジタルイメージングはコンピュータビジョンと機械学習を、病理画像を分析する新しいツールに変えた。
デジタル画像の最近の進歩は、コンピュータビジョンと機械学習を、病理画像を分析するための新しいツールに変えた。
論文 参考訳(メタデータ) (2020-05-07T20:48:29Z)
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。