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-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) - Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。
階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
論文 参考訳(メタデータ) (2023-05-06T22:14:13Z) - 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) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - In the realm of hybrid Brain: Human Brain and AI [0.0]
現在の脳-コンピュータインターフェース(BCI)技術は主に治療結果に関するものである。
近年,脳信号のデコードには人工知能(AI)と機械学習(ML)技術が用いられている。
クローズドループ,インテリジェント,低消費電力,小型化されたニューラルインターフェースの開発を想定する。
論文 参考訳(メタデータ) (2022-10-04T08:35:34Z) - Neuromorphic Artificial Intelligence Systems [58.1806704582023]
フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。
この記事では、そのような制限と、それらが緩和される方法について論じる。
これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
論文 参考訳(メタデータ) (2022-05-25T20:16:05Z) - 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) - Attention Patterns Detection using Brain Computer Interfaces [1.174402845822043]
本研究では,人間の注意レベルとその学習への影響を評価・定量化する手法を提案する。
脳波を検知し、対応する脳波図(EEG)を表示する脳コンピュータインタフェース(BCI)を採用している。
我々は、個人が実行しているアクティビティのタイプを特定するために、繰り返しニューラルネットワーク(RNNS)を訓練する。
論文 参考訳(メタデータ) (2020-05-20T11:55:37Z) - 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。
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。