論文の概要: High-throughput Phenotyping of Nematode Cysts
- arxiv url: http://arxiv.org/abs/2110.07057v1
- Date: Wed, 13 Oct 2021 22:17:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-15 14:37:43.067275
- Title: High-throughput Phenotyping of Nematode Cysts
- Title（参考訳）: 線虫嚢胞の高スループット表現型
- Authors: Long Chen, Matthias Daub, Hans-Georg Luigs, Marcus Jansen, Martin
Strauch, Dorit Merhof
- Abstract要約: Beet cyst nematode Heterodera schachtiiは、世界規模での作物の損失の原因となる植物害虫である。
本稿では,BCN感染の定量化と線虫嚢胞の同定が可能なコンピュータビジョンに基づく高スループットシステムを提案する。
- 参考スコア（独自算出の注目度）: 6.173301306543048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The beet cyst nematode (BCN) Heterodera schachtii is a plant pest responsible
for crop loss on a global scale. Here, we introduce a high-throughput system
based on computer vision that allows quantifying BCN infestation and
characterizing nematode cysts through phenotyping. After recording microscopic
images of soil extracts in a standardized setting, an instance segmentation
algorithm serves to detect nematode cysts in these samples. Going beyond fast
and precise cyst counting, the image-based approach enables quantification of
cyst density and phenotyping of morphological features of cysts under different
conditions, providing the basis for high-throughput applications in agriculture
and plant breeding research.
- Abstract（参考訳）: ビートシスト線虫(英: beet cyst nematode、BCN)は、世界規模で作物を害する害虫である。
本稿では,bcn感染を定量化し,表現型による線虫嚢胞を特徴付けるコンピュータビジョンに基づく高スループットシステムを提案する。
標準化された環境で土壌抽出物の顕微鏡画像を記録すると、サンプルセグメンテーションアルゴリズムがこれらのサンプルの線虫嚢胞を検出するのに役立つ。
高速で正確な嚢胞計数を超えて、画像ベースのアプローチは、異なる条件下での嚢胞の密度の定量化と形態学的特徴の表現を可能にし、農業および植物育種研究における高スループット応用の基礎を提供する。
関連論文リスト
- MyData: A Comprehensive Database of Mycetoma Tissue Microscopic Images for Histopathological Analysis [0.34619585024232546]
Mycetomaは慢性で無視された炎症性疾患であり、熱帯および亜熱帯地域で流行する。
本疾患は真菌(真菌)と放線菌(細菌)の2種類に分類される。
論文 参考訳（メタデータ） (2024-10-02T19:56:56Z) - Quantifying Nematodes through Images: Datasets, Models, and Baselines of Deep Learning [3.219431589024008]
植物寄生線虫は、毎年世界中で作物を著しく減らしている。
コンピュータビジョン技術は、線虫または線虫感染を定量化するための実現可能なソリューションを提供する。
本調査では,ディープラーニング初心者を対象とした最先端オブジェクト検出モデル,トレーニング手法,最適化手法,評価指標について述べる。
論文 参考訳（メタデータ） (2024-04-30T17:52:31Z) - Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳（メタデータ） (2023-01-19T11:37:20Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - UniToPatho, a labeled histopathological dataset for colorectal polyps
classification and adenoma dysplasia grading [12.222174729732904]
9536ヘマトキシリンとイオシン(H&E)染色パッチを292枚の全滑り画像から抽出した注釈付きデータセットであるUniToPathoを紹介します。
このデータセットは、大腸ポリープ分類と腺腫グレーディングのためのディープニューラルネットワークのトレーニングを目的としています。
論文 参考訳（メタデータ） (2021-01-25T10:18:44Z) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳（メタデータ） (2020-05-18T21:57:47Z) - A Biologically Interpretable Two-stage Deep Neural Network (BIT-DNN) For
Vegetation Recognition From Hyperspectral Imagery [3.708283803668841]
本研究では,生物学的に解釈可能な2段階深層ニューラルネットワーク(BIT-DNN)を用いた新しい解釈可能な深層学習モデルを提案する。
提案モデルは、最先端の5つのディープラーニングモデルと比較されている。
論文 参考訳（メタデータ） (2020-04-19T15:58:19Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳（メタデータ） (2020-02-05T21:38:57Z)
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。