論文の概要: A hybrid multi-object segmentation framework with model-based B-splines for microbial single cell analysis

• arxiv url: http://arxiv.org/abs/2205.01367v1
• Date: Tue, 3 May 2022 08:31:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-04 14:57:50.938701
• Title: A hybrid multi-object segmentation framework with model-based B-splines for microbial single cell analysis
• Title（参考訳）: 微生物単一細胞解析のためのモデルベースbスプラインを用いたハイブリッドマルチオブジェクトセグメンテーションフレームワーク
• Authors: Karina Ruzaeva, Katharina N\"oh, Benjamin Berkels
• Abstract要約: 本稿では,多目的微生物分離のためのハイブリッドアプローチを提案する。 このアプローチはMLに基づく検出と幾何学的変動に基づくセグメンテーションを組み合わせたものである。 本研究では,コリネバクテリウムグルタミカムの経時的データ顕微鏡における提案手法の性能について検討した。
• 参考スコア（独自算出の注目度）: 1.2031796234206138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a hybrid approach for multi-object microbial cell segmentation. The approach combines an ML-based detection with a geometry-aware variational-based segmentation using B-splines that are parametrized based on a geometric model of the cell shape. The detection is done first using YOLOv5. In a second step, each detected cell is segmented individually. Thus, the segmentation only needs to be done on a per-cell basis, which makes it amenable to a variational approach that incorporates prior knowledge on the geometry. Here, the contour of the segmentation is modelled as closed uniform cubic B-spline, whose control points are parametrized using the known cell geometry. Compared to purely ML-based segmentation approaches, which need accurate segmentation maps as training data that are very laborious to produce, our method just needs bounding boxes as training data. Still, the proposed method performs on par with ML-based segmentation approaches usually used in this context. We study the performance of the proposed method on time-lapse microscopy data of Corynebacterium glutamicum.
• Abstract（参考訳）: 本稿では,多目的微生物細胞セグメンテーションのためのハイブリッドアプローチを提案する。 このアプローチは、MLに基づく検出と、細胞形状の幾何学モデルに基づいてパラメータ化されるB-スプラインを用いた幾何学的変動に基づくセグメンテーションを組み合わせる。 この検出はまずYOLOv5を使って行われる。 第2のステップでは、検出された各細胞を個別に分割する。 したがって、セグメンテーションはセル単位でのみ行わなければならないため、幾何学に関する事前の知識を取り入れた変分的なアプローチが可能である。 ここで、セグメンテーションの輪郭は、既知のセル幾何学を用いて制御点をパラメトリゼーションする閉均一な立方体B-スプラインとしてモデル化される。 学習データとして正確なセグメンテーションマップを必要とする純粋にMLベースのセグメンテーションアプローチと比較して,本手法では,トレーニングデータとしてボックスを限定する。 それでも,提案手法はMLに基づくセグメンテーション手法と同等に機能する。 コリネバクテリウムグルタミカムの時間分解顕微鏡データにおける提案手法の性能について検討した。

関連論文リスト

• CellMixer: Annotation-free Semantic Cell Segmentation of Heterogeneous Cell Populations [9.335273591976648]
  異種細胞集団のセマンティックセグメンテーションのための革新的なアノテーションのないアプローチであるCellMixerを提案する。 以上の結果から,CellMixerは複数のセルタイプにまたがる競合セグメンテーション性能と画像モダリティを実現することができることがわかった。
  論文  参考訳（メタデータ） (2023-12-01T15:50:20Z)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• MEDIAR: Harmony of Data-Centric and Model-Centric for Multi-Modality Microscopy [9.405458160620533]
  マルチモーダルなセルインスタンスセグメンテーションのための総合パイプラインであるMEDIARを提案する。 検証段階では時間予算を満足しながら0.9067F1スコアを達成する。 その後の研究を容易にするために、ソースコードとトレーニングされたモデルをオープンソースとして提供します。
  論文  参考訳（メタデータ） (2022-12-07T05:09:24Z)
• A new LDA formulation with covariates [3.1690891866882236]
  ラテント・ディリクレ・アロケーション・モデルは混合メンバーシップ・クラスタを作成する一般的な方法である。 共変量を含むLDAモデルの新たな定式化を提案する。 モデルパラメータを推定するためにギブスサンプリングアルゴリズムを用いてスライスサンプリングを行う。 このモデルは,コロナウイルスのテキストマイニング,雑貨買い物かごの分析,バロコロラド島(パナマ)の樹木種の生態という,3つの異なる領域の実際のデータセットを用いて説明されている。
  論文  参考訳（メタデータ） (2022-02-18T19:58:24Z)
• Object-Guided Instance Segmentation With Auxiliary Feature Refinement for Biological Images [58.914034295184685]
  サンプルセグメンテーションは、神経細胞相互作用の研究、植物の表現型化、細胞が薬物治療にどう反応するかを定量的に測定するなど、多くの生物学的応用において非常に重要である。 Boxベースのインスタンスセグメンテーションメソッドは、バウンディングボックスを介してオブジェクトをキャプチャし、各バウンディングボックス領域内で個々のセグメンテーションを実行する。 提案手法は,まずオブジェクトの中心点を検出し,そこから境界ボックスパラメータが予測される。 セグメンテーションブランチは、オブジェクト特徴をガイダンスとして再利用し、同じバウンディングボックス領域内の隣のオブジェクトからターゲットオブジェクトを分離する。
  論文  参考訳（メタデータ） (2021-06-14T04:35:36Z)
• Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation [71.50526869670716]
  本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。 Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。 拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
  論文  参考訳（メタデータ） (2020-07-21T14:05:09Z)
• Conjoined Dirichlet Process [63.89763375457853]
  我々はディリクレ過程に基づく新しい非パラメトリック確率的ビクラスタリング法を開発し、列と列の双方に強い共起を持つビクラスタを同定する。 本手法はテキストマイニングと遺伝子発現解析の2つの異なる応用に適用し,既存の手法に比べて多くの設定でビクラスタ抽出を改善することを示す。
  論文  参考訳（メタデータ） (2020-02-08T19:41:23Z)
• PatchPerPix for Instance Segmentation [9.62543698736491]
  本手法は, 局所的な局所的な形状記述子を予測し, 実例を生成する手法である。 我々の知る限り,本手法は学習した形状パッチからなるインスタンスを生成できる最初の非定型的手法である。
  論文  参考訳（メタデータ） (2020-01-21T16:06:51Z)
• Clustering Binary Data by Application of Combinatorial Optimization Heuristics [52.77024349608834]
  本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。 近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。 準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
  論文  参考訳（メタデータ） (2020-01-06T23:33:31Z)

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。