論文の概要: Semi-Automatic Labeling and Semantic Segmentation of Gram-Stained
Microscopic Images from DIBaS Dataset
- arxiv url: http://arxiv.org/abs/2208.10737v1
- Date: Tue, 23 Aug 2022 05:18:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 14:08:13.765031
- Title: Semi-Automatic Labeling and Semantic Segmentation of Gram-Stained
Microscopic Images from DIBaS Dataset
- Title（参考訳）: DIBaSデータセットからのグラム染色顕微鏡画像の半自動ラベリングとセマンティックセグメンテーション
- Authors: Chethan Reddy G.P., Pullagurla Abhijith Reddy, Vidyashree R. Kanabur,
Deepu Vijayasenan, Sumam S. David and Sreejith Govindan
- Abstract要約: 深層学習モデルは、細菌種のセグメンテーションと分類を達成するために訓練される。
ディープラーニングモデルは、バイオメディカル画像処理に多大な応用を見出す。
- 参考スコア（独自算出の注目度）: 2.0225826789157404
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, a semi-automatic annotation of bacteria genera and species
from DIBaS dataset is implemented using clustering and thresholding algorithms.
A Deep learning model is trained to achieve the semantic segmentation and
classification of the bacteria species. Classification accuracy of 95% is
achieved. Deep learning models find tremendous applications in biomedical image
processing. Automatic segmentation of bacteria from gram-stained microscopic
images is essential to diagnose respiratory and urinary tract infections,
detect cancers, etc. Deep learning will aid the biologists to get reliable
results in less time. Additionally, a lot of human intervention can be reduced.
This work can be helpful to detect bacteria from urinary smear images, sputum
smear images, etc to diagnose urinary tract infections, tuberculosis,
pneumonia, etc.
- Abstract（参考訳）: 本稿では,DIBaSデータセットから得られた細菌属および種の半自動アノテーションをクラスタリングとしきい値アルゴリズムを用いて実装する。
深層学習モデルは、細菌種のセグメンテーションと分類を達成するために訓練される。
95%の分類精度が達成される。
深層学習モデルは生物医学的な画像処理に多大な応用を見出します。
グラム染色顕微鏡像からの細菌の自動分画は、呼吸器感染症や尿路感染症の診断やがんの検出などに不可欠である。
深層学習は、生物学者がより少ない時間で信頼できる結果を得るのに役立つ。
さらに、多くの人間の介入を減らすことができる。
本研究は、尿道感染症、結核、肺炎等を診断するために、尿道スミア画像、スプームスミア画像などから細菌を検出するのに有用である。
関連論文リスト
- IDCIA: Immunocytochemistry Dataset for Cellular Image Analysis [0.5057850174013127]
そこで我々は,細胞画像解析のための機械学習手法の有効性を向上させるために,新しい注釈付き微視的セル画像データセットを提案する。
我々のデータセットには、細胞の顕微鏡像と、各画像、細胞数、細胞の位置が含まれています。
論文 参考訳（メタデータ） (2024-11-13T19:33:08Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳（メタデータ） (2023-04-19T13:45:28Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳（メタデータ） (2022-08-05T18:52:20Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳（メタデータ） (2022-05-24T00:00:07Z) - AGAR a microbial colony dataset for deep learning detection [0.0]
Annotated Germs for Automated Recognition データセットは、寒天のプレート上に培養された微生物コロニーの画像データベースである。
本研究では,データセット自体とその開発過程について述べる。
第2部では、AGARデータセット上で、オブジェクト検出のための選択されたディープニューラルネットワークアーキテクチャの性能を評価した。
論文 参考訳（メタデータ） (2021-08-03T01:26:41Z) - Parasitic Egg Detection and Classification in Low-cost Microscopic
Images using Transfer Learning [1.6050172226234583]
高品質な顕微鏡画像における自動寄生虫分類の効率を高めるために, トランスファーラーニング戦略を用いたCNNベースの手法を提案する。
提案するフレームワークは,最先端のオブジェクト認識手法よりも優れている。
本システムと専門家による最終決定が組み合わさって, 低コスト顕微鏡による実地精査を改善できる可能性がある。
論文 参考訳（メタデータ） (2021-07-02T11:05:45Z) - A fully automated end-to-end process for fluorescence microscopy images
of yeast cells: From segmentation to detection and classification [0.0]
酵母細胞の蛍光顕微鏡画像の細胞区画を自動的にセグメント化し、検出し、分類するエンドツーエンドのプロセスを構築します。
この完全に自動化されたプロセスは、PerICo1プロジェクトの対話型e-Scienceサーバに統合される。
応用領域は酵母細胞における光学顕微鏡であるが、医療用途における多細胞画像にも適用できる。
論文 参考訳（メタデータ） (2021-04-06T21:24:50Z) - 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) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z) - Deep learning approach to describe and classify fungi microscopic images [4.759323753598067]
深層ニューラルネットワークとFisher Vectorに基づく機械学習手法を用いて,各種菌類の顕微鏡画像の分類を行う。
本手法は, 生化学的同定の最終段階を冗長化し, 同定過程を2～3日短縮し, 診断コストを削減できる可能性がある。
論文 参考訳（メタデータ） (2020-05-24T15:15:07Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳（メタデータ） (2020-02-05T21:38:57Z)
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。