論文の概要: Comparison of semi-supervised learning methods for High Content
Screening quality control
- arxiv url: http://arxiv.org/abs/2208.04592v1
- Date: Tue, 9 Aug 2022 08:14:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-10 12:23:21.491114
- Title: Comparison of semi-supervised learning methods for High Content
Screening quality control
- Title（参考訳）: 高コンテンツスクリーニング品質制御のための半教師付き学習法の比較
- Authors: Umar Masud and Ethan Cohen and Ihab Bendidi and Guillaume Bollot and
Auguste Genovesio
- Abstract要約: 高濃度スクリーニング(HCS)は、高スループットで画像から複雑な細胞表現型を定量化する。
このプロセスは、アウト・オブ・フォーカス画像のぼかし、蛍光彩飽和、破片、高レベルのノイズ、予期しない自動蛍光、空のイメージなどの画像収差によって妨げられる。
簡単な半教師付き学習ソリューションを提供するために,画像アノテーションを必要としない深層学習の選択肢を評価する。
- 参考スコア（独自算出の注目度）: 0.34998703934432673
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Progress in automated microscopy and quantitative image analysis has promoted
high-content screening (HCS) as an efficient drug discovery and research tool.
While HCS offers to quantify complex cellular phenotypes from images at high
throughput, this process can be obstructed by image aberrations such as
out-of-focus image blur, fluorophore saturation, debris, a high level of noise,
unexpected auto-fluorescence or empty images. While this issue has received
moderate attention in the literature, overlooking these artefacts can seriously
hamper downstream image processing tasks and hinder detection of subtle
phenotypes. It is therefore of primary concern, and a prerequisite, to use
quality control in HCS. In this work, we evaluate deep learning options that do
not require extensive image annotations to provide a straightforward and easy
to use semi-supervised learning solution to this issue. Concretely, we compared
the efficacy of recent self-supervised and transfer learning approaches to
provide a base encoder to a high throughput artefact image detector. The
results of this study suggest that transfer learning methods should be
preferred for this task as they not only performed best here but present the
advantage of not requiring sensitive hyperparameter settings nor extensive
additional training.
- Abstract（参考訳）: 自動顕微鏡および定量的画像解析の進歩は、効率的な薬物発見・研究ツールとして高濃度スクリーニング(HCS)を促進している。
HCSは、高いスループットで画像から複雑な細胞性表現型を定量化するが、このプロセスは、アウト・オブ・フォーカス画像のぼかし、蛍光彩飽和、破片、高レベルのノイズ、予期しない自動蛍光、空のイメージなどの画像収差によって妨げられる。
この問題は文献である程度注目されているが、これらの成果を見渡すと、下流の画像処理タスクが著しく妨げられ、微妙な表現型の検出が妨げられる。
したがって、HCSで品質管理を使用することは主要な関心事であり、前提条件である。
本研究では,この課題に対する半教師あり学習ソリューションを簡易かつ容易に提供するために,広範な画像アノテーションを必要としない深層学習オプションを評価する。
具体的には,高スループットアーティファクト画像検出器にベースエンコーダを提供するための,近年の自己教師あり・転送学習手法の有効性を比較検討した。
本研究の結果から, 移動学習法は, 最善を尽くすだけでなく, 敏感なハイパーパラメータ設定を必要とせず, 広範な追加訓練も必要としないという利点が示唆された。
関連論文リスト
- Self-supervised Fusarium Head Blight Detection with Hyperspectral Image and Feature Mining [6.252899116304227]
フサリウムヘッドブライト(Fusarium Head Blight、FHB)は小麦(ダラムを含む)、大麦、オート麦、その他の小さな穀物、トウモロコシに深刻な菌類病である。
伝統的に、訓練された農学者や測量士は、労働集約的で非現実的でスケールが難しい手動の識別を行う。
ディープラーニングとハイパースペクトルイメージング(HSI)とリモートセンシング(RS)技術の進歩により、ディープラーニング、特にコナールニューラルネットワーク(CNN)が有望なソリューションとして登場してきた。
論文 参考訳（メタデータ） (2024-08-31T09:09:02Z) - CUCL: Codebook for Unsupervised Continual Learning [129.91731617718781]
本研究は,教師なし連続学習(UCL)の代替として,教師なし連続学習(UCL)に焦点を当てている。
本稿では,教師なし連続学習のためのCodebook for Unsupervised Continual Learning (CUCL) という手法を提案する。
本手法は教師なしおよび教師なしの手法の性能を大幅に向上させる。
論文 参考訳（メタデータ） (2023-11-25T03:08:50Z) - Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images
with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。
有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。
上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文 参考訳（メタデータ） (2023-08-13T10:07:46Z) - Expert-Agnostic Ultrasound Image Quality Assessment using Deep
Variational Clustering [0.03262230127283451]
超音波画像の品質は低く、サーバ間変動によるノイズの多いアノテーションに悩まされている。
我々は,手動アノテーションの負担と不確実性を解消するUnSupervised UltraSound Image Quality Assessment Network (US2QNet)を提案する。
提案手法は,最先端クラスタリング手法よりも精度が78%,性能が優れている。
論文 参考訳（メタデータ） (2023-07-05T17:34:58Z) - Explainable Image Quality Assessment for Medical Imaging [0.0]
質の悪い医療画像は誤診につながる可能性がある。
本稿では,説明可能な画像品質評価システムを提案し,その考え方を2つの異なる目的に対して検証する。
本研究では,サリエンシ検出器の忠実度を測定するために,様々な手法を適用した。
我々は,NormGradがObject-CXRで0.853点,LVOTデータセットで0.611点,繰り返しポイントゲームで0.853点に達することで,他のサリエンシ検出器よりも顕著に向上したことを示す。
論文 参考訳（メタデータ） (2023-03-25T14:18:39Z) - Metadata-guided Consistency Learning for High Content Images [1.5207770161985628]
Cross-Domain Consistency Learning (CDCL)は、バッチ効果の存在下で学習できる自己教師型アプローチである。
CDCLは、望ましくないバッチ固有のシグナルを無視しながら、生物学的類似性の学習を強制する。
これらの特徴は形態的変化に応じて組織化され、下流タスクに有用である。
論文 参考訳（メタデータ） (2022-12-22T10:39:10Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - Deep Quantized Representation for Enhanced Reconstruction [33.337794852677035]
本研究では,シロイヌナズナのShoot Apical Meristem(SAM)における高品質画像再構成のためのデータ駆動型Deep Quantized Latent Representation(DQLR)手法を提案する。
提案フレームワークは,zスタック内の複数の連続スライスを用いて低次元の潜伏空間を学習し,それを量子化し,次いで量子化表現を用いて再構成し,よりシャープな画像を得る。
論文 参考訳（メタデータ） (2021-07-29T23:22:27Z) - Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object
Detection [66.10057490293981]
半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。
本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
論文 参考訳（メタデータ） (2021-03-29T09:27:23Z) - Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。
我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文 参考訳（メタデータ） (2020-08-19T13:06:24Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z)
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。