Fugu-MT 論文翻訳(概要): Automatic Quantitative Analysis of Brain Organoids via Deep Learning

論文の概要: Automatic Quantitative Analysis of Brain Organoids via Deep Learning

arxiv url: http://arxiv.org/abs/2211.00750v1
Date: Tue, 1 Nov 2022 21:10:28 GMT
ステータス: 処理完了
システム内更新日: 2022-11-03 12:08:57.504457
Title: Automatic Quantitative Analysis of Brain Organoids via Deep Learning
Title（参考訳）: 深層学習による脳内オルガノイドの自動定量分析
Authors: Jingli Shi
Abstract要約: そこで本研究では,異なる蛍光でタグ付けされた脳オルガノイドスライスチャネルの自動解析法を提案する。実験の結果,野生型と変異型脳性オルガノイドとの明らかな相違が認められた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent advances in brain organoid technology are exciting new ways, which have the potential to change the way how doctors and researchers understand and treat cerebral diseases. Despite the remarkable use of brain organoids derived from human stem cells in new drug testing, disease modeling, and scientific research, it is still heavily time-consuming work to observe and analyze the internal structure, cells, and neural inside the organoid by humans, specifically no standard quantitative analysis method combined growing AI technology for brain organoid. In this paper, an automated computer-assisted analysis method is proposed for brain organoid slice channels tagged with different fluorescent. We applied the method on two channels of two group microscopy images and the experiment result shows an obvious difference between Wild Type and Mutant Type cerebral organoids.
Abstract（参考訳）: 脳オルガノイド技術の最近の進歩は、医師や研究者が脳疾患を理解し治療する方法を変える可能性がある新しい方法である。新しい薬物検査、疾患モデリング、科学研究において、ヒト幹細胞由来の脳オルガノイドの顕著な使用にもかかわらず、ヒトによるオルガノイドの内部構造、細胞、および神経を観察および分析するのに、依然として多くの時間を要する作業であり、特に、脳オルガノイドのための成長ai技術を組み合わせた標準的な定量的分析方法がない。本稿では,異なる蛍光でタグ付けされた脳オルガノイドスライスチャネルに対して,コンピュータによる自動解析手法を提案する。本手法を2つのグループ顕微鏡画像の2チャンネルに適用し,野生型と変異型脳オルガノイドの明らかな差異を示した。

関連論文リスト

Brain-like Functional Organization within Large Language Models [58.93629121400745]
人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
論文参考訳（メタデータ） (2024-10-25T13:15:17Z)
Multilevel Interpretability Of Artificial Neural Networks: Leveraging Framework And Methods From Neuroscience [7.180126523609834]
生体と人工のニューラルシステムの両方を解釈するには、これらのシステムを複数のレベルで分析する必要がある、と我々は主張する。生体および人工神経系の解析に使用できる分析ツールのシリーズを提示する。全体として、マルチレベル解釈可能性フレームワークは、ニューラルネットワークの複雑さに取り組むための原則化された方法を提供する。
論文参考訳（メタデータ） (2024-08-22T18:17:20Z)
Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文参考訳（メタデータ） (2024-07-31T04:32:43Z)
BOrg: A Brain Organoid-Based Mitosis Dataset for Automatic Analysis of Brain Diseases [15.347850595826317]
BOrgは、脳オルガノイドの共焦点顕微鏡画像を用いて、脳の胚発生における分裂現象を研究するために設計されたデータセットである。我々は、分裂細胞の検出と解析のために、BOrgの最先端のオブジェクト検出およびセルカウントモデルを適用し、ベンチマークする。以上の結果より, これらの適応モデルにより, 脳オルガノイド研究における有糸分裂解析の効率と精度が有意に向上することが示唆された。
論文参考訳（メタデータ） (2024-06-27T22:16:53Z)
Towards Explainable Automated Neuroanatomy [2.550915739937055]
脳組織の微細構造を定量化する新しい方法を提案する。これは、細胞の形状を分析することによって得られる解釈可能な特徴の自動認識に基づいている。
論文参考訳（メタデータ） (2024-04-08T18:36:18Z)
Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文参考訳（メタデータ） (2023-12-01T05:20:57Z)
SegmentAnything helps microscopy images based automatic and quantitative organoid detection and analysis [2.9074136720945356]
オルガノイド(Organoids)は、生体組織や臓器のアーキテクチャや機能を忠実に模倣する、自己組織化された3D細胞クラスターである。最近の顕微鏡技術は、オルガノイドの形態的特徴を取得する強力なツールを提供するが、手動画像解析は依然として手間と時間を要するプロセスである。本稿では、SegmentAnythingを利用して個々のオルガノイドを正確に分離する顕微鏡解析のための包括的パイプラインを提案する。
論文参考訳（メタデータ） (2023-09-08T08:03:42Z)
Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
論文参考訳（メタデータ） (2023-03-11T14:04:58Z)
POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文参考訳（メタデータ） (2022-01-19T09:26:34Z)
Towards Understanding Human Functional Brain Development with Explainable Artificial Intelligence: Challenges and Perspectives [6.106661781836959]
本稿では,現在最先端のAI技術が機能的脳発達にどのような影響を及ぼすかを理解することを目的とする。また、脳の発達過程に基づいて、どのAI技術が彼らの学習を説明する可能性が高いかについてのレビューも実施されている。
論文参考訳（メタデータ） (2021-12-24T02:13:13Z)
A Developmental Neuro-Robotics Approach for Boosting the Recognition of Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文参考訳（メタデータ） (2020-03-23T14:55:00Z)

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。