論文の概要: BriFiSeg: a deep learning-based method for semantic and instance
segmentation of nuclei in brightfield images
- arxiv url: http://arxiv.org/abs/2211.03072v1
- Date: Sun, 6 Nov 2022 10:03:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 18:22:32.072063
- Title: BriFiSeg: a deep learning-based method for semantic and instance
segmentation of nuclei in brightfield images
- Title（参考訳）: brifiseg: ブライトフィールド画像における核のセマンティクスとインスタンスセグメンテーションのための深層学習に基づく手法
- Authors: Gendarme Mathieu, Lambert Annika M., El Debs Bachir
- Abstract要約: 静止しない明視野画像は、生きた試料と固定された試料の両方からどんな顕微鏡でも取得できる。
4つの異なる細胞株において, 明視野画像からの核的セグメンテーションが得られた。
セグメンテーションには2つの異なる効果的な戦略が採用された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generally, microscopy image analysis in biology relies on the segmentation of
individual nuclei, using a dedicated stained image, to identify individual
cells. However stained nuclei have drawbacks like the need for sample
preparation, and specific equipment on the microscope but most importantly, and
as it is in most cases, the nuclear stain is not relevant to the biological
questions of interest but is solely used for the segmentation task. In this
study, we used non-stained brightfield images for nuclei segmentation with the
advantage that they can be acquired on any microscope from both live or fixed
samples and do not necessitate specific sample preparation. Nuclei semantic
segmentation from brightfield images was obtained, on four distinct cell lines
with U-Net-based architectures. We tested systematically deep pre-trained
encoders to identify the best performing in combination with the different
neural network architectures used. Additionally, two distinct and effective
strategies were employed for instance segmentation, followed by thorough
instance evaluation. We obtained effective semantic and instance segmentation
of nuclei in brightfield images from standard test sets as well as from very
diverse biological contexts triggered upon treatment with various small
molecule inhibitor. The code used in this study was made public to allow
further use by the community.
- Abstract（参考訳）: 一般的に生物学における顕微鏡画像解析は、個々の細胞を識別するために、専用の染色画像を用いて個々の核のセグメンテーションに依存する。
しかし、染色された原子核は、試料の調製や顕微鏡上の特定の装置のような欠点があるが、最も重要なことは、ほとんどの場合、核の染色は生物学的な問題とは関係がなく、セグメンテーションのタスクにのみ使用されることである。
本研究では, 生検体と固定検体の両方から任意の顕微鏡で取得でき, 特定の試料の調製を必要とせず, 核セグメンテーションに非ステンドブライトフィールド像を用いた。
ブライトフィールド画像からの核セマンティクスセグメンテーションは、u-netベースのアーキテクチャを持つ4つの異なるセルライン上で得られた。
ニューラルネットワークアーキテクチャと組み合わせて最適な性能を識別するために,事前学習済みエンコーダを系統的にテストした。
さらに、インスタンスのセグメンテーションに2つの異なる効果的な戦略が採用され、続いて完全なインスタンス評価が行われた。
標準テストセットおよび各種小分子阻害剤の処理により引き起こされる非常に多様な生物学的文脈から、brightfield画像中の核の効果的な意味的およびインスタンス的セグメンテーションを得た。
この研究で使用されたコードは、コミュニティによるさらなる利用を可能にするために公開された。
関連論文リスト
- Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
核セグメンテーションのための拡散法を初めて導入する。
このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。
実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
論文 参考訳（メタデータ） (2023-10-22T06:16:16Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。
通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。
そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-20T14:53:26Z) - 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) - Multi-Modality Microscopy Image Style Transfer for Nuclei Segmentation [3.535158633337794]
本稿では,GAN(Generative Adversarial Network)に基づく顕微鏡的拡張手法を提案する。
他のスタイルの転送方法とは異なり、異なる細胞アッセイタイプや照明条件だけでなく、異なる画像モダリティも扱える。
我々は,様々な細胞アッセイ,照明条件,画像モダリティからなる2018年データサイエンスボウルデータセットを用いて,データ拡張を評価した。
論文 参考訳（メタデータ） (2021-11-23T20:19:20Z) - Multiclass Yeast Segmentation in Microstructured Environments with Deep
Learning [20.456742449675904]
我々は、個々の酵母細胞の多クラスセグメンテーションのために訓練された畳み込みニューラルネットワークを提案する。
本手法は, 微構造環境下での酵母のセグメンテーションへの寄与を, 典型的な合成生物学的応用で示す。
論文 参考訳（メタデータ） (2020-11-16T16:16:13Z) - Microscopic fine-grained instance classification through deep attention [7.50282814989294]
限られたサンプルを用いた微視的画像データのきめ細かい分類は、コンピュータビジョンとバイオメディカルイメージングにおいて未解決の問題である。
本稿では,エンドツーエンドで2つのタスクを同時に実行する,シンプルで効果的なディープネットワークを提案する。
その結果、堅牢だが軽量なエンドツーエンドのトレーニング可能なディープネットワークが実現し、最先端の結果が得られます。
論文 参考訳（メタデータ） (2020-10-06T15:29:58Z) - Modality Attention and Sampling Enables Deep Learning with Heterogeneous
Marker Combinations in Fluorescence Microscopy [5.334932400937323]
蛍光顕微鏡は、色チャネルとして可視化された様々な慎重に選択されたマーカーで染色することで、細胞、細胞ネットワーク、解剖学的ランドマークの詳細な検査を可能にする。
他の視覚応用におけるディープラーニング手法の成功にもかかわらず、蛍光画像解析の可能性はまだ明らかになっていない。
本稿では,モダリティサンプリング戦略と新しいアテンションモジュールを備えたニューラルネットワーク手法であるMarker Sampling and Exciteを提案する。
論文 参考訳（メタデータ） (2020-08-27T21:57:07Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2020-07-10T15:41:29Z) - Learning to segment clustered amoeboid cells from brightfield microscopy
via multi-task learning with adaptive weight selection [6.836162272841265]
マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。
ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。
検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
論文 参考訳（メタデータ） (2020-05-19T11:31:53Z) - Towards a Complete Pipeline for Segmenting Nuclei in Feulgen-Stained
Images [52.946144307741974]
頸部がんは世界で2番目に多いがんである。
本稿では,畳み込みニューラルネットワークを用いたフェールゲン安定画像中の核分割のための完全なパイプラインを提案する。
We achieved a overall IoU 0.78, showed the availableability of the approach of nuclear segmentation on Feulgen-stained images。
論文 参考訳（メタデータ） (2020-02-19T18:14:57Z)
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。