論文の概要: Self-Supervised Learning of Phenotypic Representations from Cell Images
with Weak Labels
- arxiv url: http://arxiv.org/abs/2209.07819v1
- Date: Fri, 16 Sep 2022 09:37:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 12:51:45.833080
- Title: Self-Supervised Learning of Phenotypic Representations from Cell Images
with Weak Labels
- Title（参考訳）: 弱ラベル付きセル画像からの表現の自己教師付き学習
- Authors: Jan Oscar Cross-Zamirski, Guy Williams, Elizabeth Mouchet,
Carola-Bibiane Sch\"onlieb, Riku Turkki, Yinhai Wang
- Abstract要約: 細胞の高濃度蛍光画像から表現表現の学習に弱いラベル情報を利用するためのフレームワークとしてWS-DINOを提案する。
WS-DINOを用いて、高濃度顕微鏡スクリーン(処理と複合)で利用可能なラベル情報を微調整し、最先端の性能を実現した。
本手法は, 単細胞収穫を前処理ステップとしてバイパスし, 自己注意マップを用いて, 構造的に意味のある表現型プロファイルを学習することを示す。
- 参考スコア（独自算出の注目度）: 11.467204930276662
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose WS-DINO as a novel framework to use weak label information in
learning phenotypic representations from high-content fluorescent images of
cells. Our model is based on a knowledge distillation approach with a vision
transformer backbone (DINO), and we use this as a benchmark model for our
study. Using WS-DINO, we fine-tuned with weak label information available in
high-content microscopy screens (treatment and compound), and achieve
state-of-the-art performance in not-same-compound mechanism of action
prediction on the BBBC021 dataset (98%), and not-same-compound-and-batch
performance (96%) using the compound as the weak label. Our method bypasses
single cell cropping as a pre-processing step, and using self-attention maps we
show that the model learns structurally meaningful phenotypic profiles.
- Abstract（参考訳）: 本稿では,高濃度蛍光画像から表現表現の学習に弱いラベル情報を利用する新しいフレームワークとしてWS-DINOを提案する。
我々のモデルは、視覚変換器バックボーン(DINO)を用いた知識蒸留手法に基づいており、これをベンチマークモデルとして使用しています。
ws-dinoを用いて,高濃度顕微鏡画面(処理および複合)で利用可能な弱ラベル情報を微調整し,bbbc021データセット(98%)上での動作予測の非同値共役機構(not-same-compound-and-batch performance(96%)を弱ラベルとして実現する。
本手法は,前処理段階として単細胞クロッピングをバイパスし,自己アテンションマップを用いて,構造的に有意義な表現型プロファイルを学習することを示す。
関連論文リスト
- High-Throughput Phenotyping using Computer Vision and Machine Learning [0.0]
我々はオークリッジ国立研究所が提供した1,672枚のPopulus Trichocarpaの画像と白ラベルで治療を行った。
光文字認識(OCR)は、植物上でこれらのラベルを読むために用いられた。
機械学習モデルを用いて,これらの分類に基づいて処理を予測し,解析されたEXIFタグを用いて葉の大きさと表現型間の相関を見いだした。
論文 参考訳（メタデータ） (2024-07-08T19:46:31Z) - Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。
逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。
我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
論文 参考訳（メタデータ） (2024-06-19T08:07:14Z) - Application of Artificial Intelligence in the Classification of
Microscopical Starch Images for Drug Formulation [0.0]
デンプンは工場で見られる重要なエネルギー源であり、製薬業界で多くの用途がある。
本研究では,9種類の植物由来のデンプン試料から得られた顕微鏡画像に人工知能技術(トランスファーラーニングと深部畳み込みニューラルネットワークCNN)を適用した。
論文 参考訳（メタデータ） (2023-05-09T10:16:02Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - Unpaired Image-to-Image Translation with Limited Data to Reveal Subtle
Phenotypes [0.5076419064097732]
本稿では,多数の画像の必要性を軽減するために,自己教師付き識別器を用いた改良型CycleGANアーキテクチャを提案する。
また, 生物学的データセットを用いて, 明らかな細胞表現型および非予防的な細胞表現型変異について検討した。
論文 参考訳（メタデータ） (2023-01-21T16:25:04Z) - Learning to Exploit Temporal Structure for Biomedical Vision-Language
Processing [53.89917396428747]
視覚言語処理における自己教師あり学習は、画像とテキストのモダリティのセマンティックアライメントを利用する。
トレーニングと微調整の両方で利用できる場合、事前のイメージとレポートを明示的に説明します。
我々のアプローチはBioViL-Tと呼ばれ、テキストモデルと共同で訓練されたCNN-Transformerハイブリッドマルチイメージエンコーダを使用する。
論文 参考訳（メタデータ） (2023-01-11T16:35:33Z) - Graph Contrastive Learning for Materials [6.667711415870472]
本稿では,CrystalCLRを紹介した。CrystalCLRは,Crystal Graph Neural Networkを用いた表現のコンストラクティブ学習のためのフレームワークである。
新たな損失関数が加わったことにより,我々のフレームワークは,工学的フィンガープリント手法と競合する表現を学習することができる。
また、モデル微調整により、対照的な事前学習により、物質特性の予測のためのグラフニューラルネットワークの性能が向上することを示した。
論文 参考訳（メタデータ） (2022-11-24T04:15:47Z) - 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) - Incorporating Semi-Supervised and Positive-Unlabeled Learning for
Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。
ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。
本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文 参考訳（メタデータ） (2022-04-19T09:10:06Z) - Imposing Consistency for Optical Flow Estimation [73.53204596544472]
プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。
本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
論文 参考訳（メタデータ） (2022-04-14T22:58:30Z) - Contrastive Learning of Single-Cell Phenotypic Representations for
Treatment Classification [6.4265933507484005]
薬物開発の取り組みは、一般的に数千の細胞画像を分析して治療の可能性を見極める。
コントラスト学習フレームワークを利用して,単一セル蛍光顕微鏡画像から適切な表現を学習する。
NCSBの精度は10%向上し,NSC-NSCBは11%低下した。
論文 参考訳（メタデータ） (2021-03-30T20:29:04Z)
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。