論文の概要: Cryo-shift: Reducing domain shift in cryo-electron subtomograms with
unsupervised domain adaptation and randomization
- arxiv url: http://arxiv.org/abs/2111.09114v1
- Date: Wed, 17 Nov 2021 13:43:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-18 17:51:32.894779
- Title: Cryo-shift: Reducing domain shift in cryo-electron subtomograms with
unsupervised domain adaptation and randomization
- Title（参考訳）: クライオシフト:教師なしドメイン適応とランダム化によるクライオ電子サブモグラムの領域シフトの低減
- Authors: Hmrishav Bandyopadhyay, Zihao Deng, Leiting Ding, Sinuo Liu, Mostofa
Rafid Uddin, Xiangrui Zeng, Sima Behpour, Min Xu
- Abstract要約: サブトモグラムの分類と認識は、マクロ分子構造の体系的な回復の第一段階である。
教師付き深層学習法は, サブトモグラム分類において, 精度が高く, 効率的であることが証明されている。
我々は、ディープラーニングに基づくクロスドメインサブトモグラム分類のための、完全に教師なしのドメイン適応およびランダム化フレームワークであるCryo-Shiftを提案する。
- 参考スコア（独自算出の注目度）: 17.921052986098946
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cryo-Electron Tomography (cryo-ET) is a 3D imaging technology that enables
the visualization of subcellular structures in situ at near-atomic resolution.
Cellular cryo-ET images help in resolving the structures of macromolecules and
determining their spatial relationship in a single cell, which has broad
significance in cell and structural biology. Subtomogram classification and
recognition constitute a primary step in the systematic recovery of these
macromolecular structures. Supervised deep learning methods have been proven to
be highly accurate and efficient for subtomogram classification, but suffer
from limited applicability due to scarcity of annotated data. While generating
simulated data for training supervised models is a potential solution, a
sizeable difference in the image intensity distribution in generated data as
compared to real experimental data will cause the trained models to perform
poorly in predicting classes on real subtomograms. In this work, we present
Cryo-Shift, a fully unsupervised domain adaptation and randomization framework
for deep learning-based cross-domain subtomogram classification. We use
unsupervised multi-adversarial domain adaption to reduce the domain shift
between features of simulated and experimental data. We develop a
network-driven domain randomization procedure with `warp' modules to alter the
simulated data and help the classifier generalize better on experimental data.
We do not use any labeled experimental data to train our model, whereas some of
the existing alternative approaches require labeled experimental samples for
cross-domain classification. Nevertheless, Cryo-Shift outperforms the existing
alternative approaches in cross-domain subtomogram classification in extensive
evaluation studies demonstrated herein using both simulated and experimental
data.
- Abstract（参考訳）: cryo-electron tomography (cryo-et) は、原子近傍の分解能で細胞内構造を可視化する3次元イメージング技術である。
細胞内のCryo-ET画像は、高分子の構造を解明し、その空間的関係を単一の細胞で決定するのに役立つ。
サブトモグラムの分類と認識は、これらのマクロ分子構造の体系的な回復の第一段階である。
教師付き深層学習法はサブトモグラム分類において極めて正確かつ効率的であることが証明されているが、注釈付きデータの不足により適用性が制限されている。
教師付きモデルのトレーニングのためのシミュレーションデータを生成することは潜在的な解決策であるが、実際の実験データと比較して生成したデータにおける画像強度分布のばらつきが大きいため、訓練されたモデルは実際のサブトモグラムでのクラス予測の精度が低下する。
本稿では,ディープラーニングに基づくクロスドメインサブトモグラム分類のための,完全に教師なしのドメイン適応とランダム化フレームワークであるcryo-shiftを提案する。
シミュレーションデータと実験データの特徴間の領域シフトを低減するために,教師なしのマルチ・アドバーサル・ドメイン適応を用いた。
ネットワーク駆動のドメインランダム化手順を開発し, ‘warp’ モジュールを用いてシミュレーションデータを変更し, 分類器が実験データに対してより一般化するのを助ける。
モデルトレーニングにはラベル付き実験データを使用しませんが、既存の代替手法では、クロスドメイン分類のためのラベル付き実験データが必要です。
それにもかかわらず、Cryo-Shiftはクロスドメインサブトモグラム分類における既存の代替手法よりも優れており、シミュレーションデータと実験データの両方を用いて広範な評価研究が行われている。
関連論文リスト
- Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。
モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文 参考訳（メタデータ） (2024-07-14T04:41:16Z) - Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。
我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
論文 参考訳（メタデータ） (2023-10-22T04:06:44Z) - 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) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - DiffMix: Diffusion Model-based Data Synthesis for Nuclei Segmentation
and Classification in Imbalanced Pathology Image Datasets [8.590026259176806]
拡散モデルを用いた現実的なデータ合成法を提案する。
トレーニングデータの配布を拡大するために,仮想パッチを2種類生成する。
意味ラベル条件付き拡散モデルを用いて、現実的で高品質な画像サンプルを生成する。
論文 参考訳（メタデータ） (2023-06-25T05:31:08Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - Learning Causal Representations of Single Cells via Sparse Mechanism
Shift Modeling [3.2435888122704037]
本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。
これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
論文 参考訳（メタデータ） (2022-11-07T15:47:40Z) - Orthogonalization of data via Gromov-Wasserstein type feedback for
clustering and visualization [5.44192123671277]
直交化プロセスによるデータのクラスタリングと可視化に適応的な手法を提案する。
本手法は,パラメータ値に対して一意な固定点にグローバルに収束することを示す。
本手法は,ヒトの専門的分類と一致して生物学的に意味のあるクラスタリング結果を生成する。
論文 参考訳（メタデータ） (2022-07-25T15:52:11Z) - Deep learning based domain adaptation for mitochondria segmentation on
EM volumes [5.682594415267948]
対象領域におけるミトコンドリアセグメンテーションを改善するための3つの非教師なし領域適応戦略を提案する。
そこで本研究では,ソースドメイン内でのみ得られる形態的事前条件に基づいて,新たな学習停止基準を提案する。
評価ラベルがない場合、提案した形態素に基づく計量をモニタリングすることは、トレーニングプロセスを止めて平均最適モデルを選択するための直感的で効果的な方法である。
論文 参考訳（メタデータ） (2022-02-22T09:49:25Z) - 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) - Few shot domain adaptation for in situ macromolecule structural
classification in cryo-electron tomograms [13.51208578647949]
我々は深層学習に基づくクロスドメイン・サブトモグラム分類にいくつかのショットドメイン適応法を適用した。
本手法は, ベースライン法と比較して, クロスドメイン・サブトモグラム分類の大幅な改善を実現している。
論文 参考訳（メタデータ） (2020-07-30T12:39:21Z)
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。