論文の概要: ASOCEM: Automatic Segmentation Of Contaminations in cryo-EM

• arxiv url: http://arxiv.org/abs/2201.06978v1
• Date: Tue, 18 Jan 2022 13:42:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 17:45:48.604173
• Title: ASOCEM: Automatic Segmentation Of Contaminations in cryo-EM
• Title（参考訳）: ASOCEM:Cryo-EMにおける汚染の自動分離
• Authors: Amitay Eldar, Ido Amos and Yoel Shkolnisky
• Abstract要約: 得られたマイクログラフの汚染は, 粒子ピッカーの性能を著しく低下させた。 本稿では, 汚染を自動的に検出し, 分別するASOCEMを提案する。 本手法は, 汚染領域の統計分布がマイクログラフの他の部分と異なるという観測に基づいている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Particle picking is currently a critical step in the cryo-electron microscopy single particle reconstruction pipeline. Contaminations in the acquired micrographs severely degrade the performance of particle pickers, resulting is many ``non-particles'' in the collected stack of particles. In this paper, we present ASOCEM (Automatic Segmentation Of Contaminations in cryo-EM), an automatic method to detect and segment contaminations, which requires as an input only the approximated particle size. In particular, it does not require any parameter tuning nor manual intervention. Our method is based on the observation that the statistical distribution of contaminated regions is different from that of the rest of the micrograph. This nonrestrictive assumption allows to automatically detect various types of contaminations, from the carbon edges of the supporting grid to high contrast blobs of different sizes. We demonstrate the efficiency of our algorithm using various experimental data sets containing various types of contaminations. ASOCEM is integrated as part of the KLT picker \cite{ELDAR2020107473} and is available at \url{https://github.com/ShkolniskyLab/kltpicker2}.
• Abstract（参考訳）: 粒子抽出は現在、核電子顕微鏡による単一粒子再構成パイプラインにおいて重要なステップである。 取得したマイクログラフの汚染は粒子ピッカーの性能を著しく低下させ、収集した粒子のスタックには多くの'非粒子'が発生する。 本稿では, 粒子径の近似値のみを入力として, 汚染を検出する自動手法であるasocem (automatic segmentation of contaminations in cryo-em) を提案する。 特にパラメータチューニングや手作業による介入は不要である。 本手法は, 汚染領域の統計的分布が他のマイクログラフの分布と異なることに着目したものである。 この非制限的な仮定により、支持グリッドのカーボンエッジから異なる大きさのハイコントラストブロブまで、さまざまな種類の汚染を自動的に検出することができる。 様々な種類の汚染を含む実験データセットを用いて,アルゴリズムの有効性を示す。 ASOCEM は KLT picker \cite{ELDAR2020107473} の一部として統合されており、 \url{https://github.com/ShkolniskyLab/kltpicker2} で利用可能である。

関連論文リスト

• CryoMAE: Few-Shot Cryo-EM Particle Picking with Masked Autoencoders [8.896148074086762]
  我々は,Cryo-EM画像における単一粒子の効率的な選択を可能にするために,数ショット学習に基づく新しいアプローチであるCryoMAEを紹介する。 従来のNNベースの手法とは対照的に、CryoMAEはトレーニングのために最小限の正の粒子画像しか必要としないが、粒子検出の性能は高い。 大規模なCryo-EMデータセットの実験では、CryoMAEは既存のSOTA(State-of-the-art)手法より優れており、3D再構成の解像度は最大22.4%向上している。
  論文  参考訳（メタデータ） (2024-04-15T23:23:31Z)
• Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
  反復Denoising Energy Matching (iDEM) iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。 提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
  論文  参考訳（メタデータ） (2024-02-09T01:11:23Z)
• Automated Grain Boundary (GB) Segmentation and Microstructural Analysis in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy [2.0445155106382797]
  オーステナイト347Hステンレス鋼は、極端な運転条件に要求される優れた機械的特性と耐食性を提供する。 CNNベースのディープラーニングモデルは、材料マイクログラフから機能を自動で検出する強力な技術である。 走査型電子顕微鏡(SEM)による347Hステンレス鋼のトレーニングデータと電子後方散乱(EBSD)マイクログラフを,粒界検出のためのピクセルワイドラベルとして組み合わせた。
  論文  参考訳（メタデータ） (2023-05-12T22:49:36Z)
• ParticleSeg3D: A Scalable Out-of-the-Box Deep Learning Segmentation Solution for Individual Particle Characterization from Micro CT Images in Mineral Processing and Recycling [1.0442349645874913]
  本研究では,異なる材料を含む粒子試料の大規模CT画像から個々の粒子を抽出するインスタンスセグメンテーション法であるParticleSeg3Dを提案する。 我々のアプローチは、強力なnnU-Netフレームワークに基づいて、粒子サイズ正規化を導入し、ボーダーコア表現を用いてインスタンスセグメンテーションを可能にし、さまざまな大きさ、形状、組成の粒子を含む大規模なデータセットで訓練する。
  論文  参考訳（メタデータ） (2023-01-30T22:43:46Z)
• 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)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
  粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。 粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:58:34Z)
• Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
  病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-22T15:06:06Z)
• Learning-based Defect Recognition for Quasi-Periodic Microscope Images [0.0]
  原子分解能顕微鏡画像からの格子欠陥の検出を支援する半教師付き機械学習手法を提案する。 これには、画像パッチを欠陥または非欠陥として分類する畳み込みニューラルネットワーク、モデルとして1つの非欠陥パッチを選択するグラフベース、そして最後に自動生成された畳み込みフィルタバンクが含まれる。 このアルゴリズムは、III-V/Si結晶材料上でテストされ、異なる測定値に対してうまく評価され、非常に小さなトレーニングデータセットであっても有望な結果を示す。
  論文  参考訳（メタデータ） (2020-07-02T18:00:02Z)
• Distributed, partially collapsed MCMC for Bayesian Nonparametrics [68.5279360794418]
  ディリクレ法やベータ・ベルヌーリ法のようなモデルでよく用いられる完全無作為測度は独立な部分測度に分解可能であるという事実を利用する。 この分解を用いて、潜在測度を、インスタンス化された成分のみを含む有限測度と、他のすべての成分を含む無限測度に分割する。 得られたハイブリッドアルゴリズムは、収束保証を犠牲にすることなくスケーラブルな推論を可能にすることができる。
  論文  参考訳（メタデータ） (2020-01-15T23:10:13Z)
• Machine Learning Pipeline for Segmentation and Defect Identification from High Resolution Transmission Electron Microscopy Data [0.0]
  我々は高分解能電子顕微鏡データ解析のための柔軟な2ステップパイプラインを実証した。 トレーニングしたU-Netは、Dice係数0.8の非晶質背景からナノ粒子を分離することができる。 すると、ナノ粒子が86%の精度で可視積層断層を含むかどうかを分類できる。
  論文  参考訳（メタデータ） (2020-01-14T19:49:30Z)

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。