論文の概要: 3D Structure from 2D Microscopy images using Deep Learning
- arxiv url: http://arxiv.org/abs/2110.07608v1
- Date: Thu, 14 Oct 2021 14:55:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 10:43:15.161988
- Title: 3D Structure from 2D Microscopy images using Deep Learning
- Title（参考訳）: 深層学習を用いた2次元顕微鏡画像からの3次元構造
- Authors: Benjamin J. Blundell, Christian Sieben, Suliana Manley, Ed Rosten,
QueeLim Ch'ng, and Susan Cox
- Abstract要約: 近年の人工知能の進歩は、顕微鏡画像から正確な3D構造を取り出すために応用されている。
本稿では,2次元単一分子局在顕微鏡画像からタンパク質複合体を再構成する深層学習ソリューションを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the structure of a protein complex is crucial indetermining its
function. However, retrieving accurate 3D structures from microscopy images is
highly challenging, particularly as many imaging modalities are
two-dimensional. Recent advances in Artificial Intelligence have been applied
to this problem, primarily using voxel based approaches to analyse sets of
electron microscopy images. Herewe present a deep learning solution for
reconstructing the protein com-plexes from a number of 2D single molecule
localization microscopy images, with the solution being completely
unconstrained. Our convolutional neural network coupled with a differentiable
renderer predicts pose and derives a single structure. After training, the
network is dis-carded, with the output of this method being a structural model
which fits the data-set. We demonstrate the performance of our system on two
protein complexes: CEP152 (which comprises part of the proximal toroid of the
centriole) and centrioles.
- Abstract（参考訳）: タンパク質複合体の構造を理解することは、その機能の決定に不可欠である。
しかし、顕微鏡画像から正確な3次元構造を抽出することは極めて困難であり、特に多くの画像モダリティは2次元である。
人工知能の最近の進歩は、主にボクセルに基づく電子顕微鏡画像の解析手法を用いてこの問題に応用されている。
本稿では,複数の2次元単一分子局在顕微鏡画像からタンパク質複合体を再構成するための深層学習法を提案する。
我々の畳み込みニューラルネットワークと微分可能なレンダラーは、ポーズを予測し、単一の構造を導き出す。
トレーニング後、ネットワークは破棄され、この方法の出力はデータセットに適合する構造モデルとなる。
CEP152 (Centrioleの近位トロイドの一部) とセントリオール (Centrioles) の2つのタンパク質複合体上での性能を実証した。
関連論文リスト
- Large Spatial Model: End-to-end Unposed Images to Semantic 3D [79.94479633598102]
大空間モデル(LSM)は、RGB画像を直接意味的放射場に処理する。
LSMは、単一のフィードフォワード操作における幾何学、外観、意味を同時に推定する。
新しい視点で言語と対話することで、多目的ラベルマップを生成することができる。
論文 参考訳（メタデータ） (2024-10-24T17:54:42Z) - Tracing and segmentation of molecular patterns in 3-dimensional cryo-et/em density maps through algorithmic image processing and deep learning-based techniques [0.0]
論文はアクチンフィラメントを 追跡する高度な計算技術の開発に焦点を当てています
BundleTrac、Stereociliumで発見された束状アクチンフィラメントをトレースするSpagetti Tracer、アクチンネットワークでランダムに配向されたアクチンフィラメントをトレースするStruwwel Tracerの3つの新しい手法が開発されている。
論文の第2の構成要素は、中分解能(5-10アングストローム)3次元低温電子顕微鏡におけるヘリスやベータシートなどのタンパク質二次構造の位置を決定する畳み込みニューラルネットワーク(CNN)に基づくセグメンテーションモデルの導入である。
論文 参考訳（メタデータ） (2024-03-26T00:41:54Z) - Passive superresolution imaging of incoherent objects [63.942632088208505]
手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。
ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
論文 参考訳（メタデータ） (2023-04-19T15:53:09Z) - 3D Reconstruction of Protein Complex Structures Using Synthesized
Multi-View AFM Images [9.91587631689811]
合成多視点AFM画像データセットを用いて、Pix2Vox++と呼ばれる3次元再構成のためのニューラルネットワークをトレーニングする。
我々は、異なるビューを用いて得られた予測された構造を比較し、トレーニングデータセットで0.92、検証データセットで0.52の結合(IoU)値を得る。
論文 参考訳（メタデータ） (2022-11-26T20:50:34Z) - Three-dimensional microstructure generation using generative adversarial
neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。
軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文 参考訳（メタデータ） (2022-05-31T13:26:51Z) - Capturing Shape Information with Multi-Scale Topological Loss Terms for
3D Reconstruction [7.323706635751351]
本稿では, 連結成分, サイクル, 空隙などの多次元位相特徴を再構成損失に含め, 幾何学的形状情報を補完する手法を提案する。
提案手法は, 3次元体積データから3次元形状データから位相特性を計算し, 最適輸送距離を用いて復元過程を導出する。
SHAPRは2次元顕微鏡画像から個々の細胞の3次元細胞形状を予測するモデルである。
論文 参考訳（メタデータ） (2022-03-03T13:18:21Z) - 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文 参考訳（メタデータ） (2021-10-14T23:05:47Z) - RCNN-SliceNet: A Slice and Cluster Approach for Nuclei Centroid
Detection in Three-Dimensional Fluorescence Microscopy Images [16.377426160171982]
本稿では,3次元顕微鏡ボリュームの遠心波検出のためのスケーラブルなアプローチを提案する。
本稿では、RCNN-SliceNetを用いて、体積のスライス毎に異なる方向から2次元核セントロイドを検出する。
提案手法は, 3次元顕微鏡で核中心体を正確に計測し, 検出することができる。
論文 参考訳（メタデータ） (2021-06-29T23:38:29Z) - 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) - ATOM3D: Tasks On Molecules in Three Dimensions [91.72138447636769]
近年、深層ニューラルネットワークが注目されている。
本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介する。
これらのタスクごとに3次元の分子学習ネットワークを開発し、パフォーマンスを一貫して改善します。
論文 参考訳（メタデータ） (2020-12-07T20:18:23Z)
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。