論文の概要: Automated image analysis in large-scale cellular electron microscopy: A literature survey

• arxiv url: http://arxiv.org/abs/2206.07171v1
• Date: Tue, 14 Jun 2022 20:57:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-17 13:19:06.899393
• Title: Automated image analysis in large-scale cellular electron microscopy: A literature survey
• Title（参考訳）: 大規模細胞電子顕微鏡における自動画像解析:文献調査
• Authors: Anusha Aswatha, Ahmad Alsahaf, Ben N. G. Giepmans, George Azzopardi
• Abstract要約: 本稿では, 自動計算機技術の現状と, セルEMの構造解析における大きな課題について概説する。 バイオメディカル画像解析のために過去5年間に開発された高度なコンピュータビジョン,ディープラーニング,ソフトウェアツールについて論じる。
• 参考スコア（独自算出の注目度）: 6.144134660210243
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale electron microscopy (EM) datasets generated using (semi-) automated microscopes are becoming the standard in EM. Given the vast amounts of data, manual analysis of all data is not feasible, thus automated analysis is crucial. The main challenges in automated analysis include the annotation that is needed to analyse and interpret biomedical images, coupled with achieving high-throughput. Here, we review the current state-of-the-art of automated computer techniques and major challenges for the analysis of structures in cellular EM. The advanced computer vision, deep learning and software tools that have been developed in the last five years for automatic biomedical image analysis are discussed with respect to annotation, segmentation and scalability for EM data. Integration of automatic image acquisition and analysis will allow for high-throughput analysis of millimeter-range datasets with nanometer resolution.
• Abstract（参考訳）: 半自動顕微鏡を用いた大規模な電子顕微鏡(EM)データセットがEMの標準となっている。 膨大なデータ量を考えると、すべてのデータの手動分析は実現不可能であり、自動分析が不可欠である。 自動分析の主な課題は、バイオメディカルイメージの分析と解釈に必要なアノテーションと、高スループットを達成することである。 本稿では,自動化コンピュータ技術の現状とセルラーemの構造解析における大きな課題について概観する。 EMデータのアノテーション,セグメンテーション,スケーラビリティについて,バイオメディカル画像解析のために過去5年間に開発された高度なコンピュータビジョン,ディープラーニング,ソフトウェアツールについて論じる。 自動画像取得と解析の統合により、ナノメートル解像度のミリレンジデータセットの高スループット分析が可能になる。

関連論文リスト

• ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
  本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
  論文  参考訳（メタデータ） (2024-08-26T08:59:22Z)
• Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
  本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。 さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
  論文  参考訳（メタデータ） (2024-03-04T10:18:38Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• A Knowledge Distillation framework for Multi-Organ Segmentation of Medaka Fish in Tomographic Image [5.881800919492064]
  メダカ魚のトモグラフィー画像における多臓器セグメンテーションのための自己学習フレームワークを提案する。 本研究では,事前訓練されたモデルから得られた擬似ラベルデータを利用して,擬似ラベルデータを洗練するために品質教師を採用する。 実験結果から,本手法は全データセット上で平均IoU(Intersection over Union)を5.9%改善することが示された。
  論文  参考訳（メタデータ） (2023-02-24T10:31:29Z)
• Cell segmentation from telecentric bright-field transmitted light microscopic images using a Residual Attention U-Net: a case study on HeLa line [0.0]
  明視野光顕微鏡画像からのリビング細胞分画は、生体細胞の画像の複雑さと時間的変化のために困難である。 近年, 深層学習(DL)に基づく手法が, その成功と有望な成果により, 医用・顕微鏡画像分割作業で普及している。 本研究の目的は,HeLa線の生きた細胞を光電場透過顕微鏡で分断する深層学習型UNet法を開発することである。
  論文  参考訳（メタデータ） (2022-03-23T09:20:30Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• Three Ways to Improve Semantic Segmentation with Self-Supervised Depth Estimation [90.87105131054419]
  ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。 提案されたモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2020-12-19T21:18:03Z)
• Multiclass Yeast Segmentation in Microstructured Environments with Deep Learning [20.456742449675904]
  我々は、個々の酵母細胞の多クラスセグメンテーションのために訓練された畳み込みニューラルネットワークを提案する。 本手法は, 微構造環境下での酵母のセグメンテーションへの寄与を, 典型的な合成生物学的応用で示す。
  論文  参考訳（メタデータ） (2020-11-16T16:16:13Z)
• A comparative study of semi- and self-supervised semantic segmentation of biomedical microscopy data [0.13701366534590495]
  畳み込みニューラルネットワーク(CNN)は、バイオメディカル画像解析の最先端の手法となっている。 これらのネットワークは通常、教師付き方法でトレーニングされ、大量のラベル付きトレーニングデータを必要とする。 本研究では,バイオメディカルイメージセグメンテーションのためのラベルの少ないCNNの訓練方法を検証する。
  論文  参考訳（メタデータ） (2020-11-11T20:57:10Z)
• 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)

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。