論文の概要: Self-supervised pseudo-colorizing of masked cells
- arxiv url: http://arxiv.org/abs/2302.05968v2
- Date: Mon, 28 Aug 2023 11:14:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 00:43:01.507140
- Title: Self-supervised pseudo-colorizing of masked cells
- Title(参考訳): マスキング細胞の自己制御擬似色化
- Authors: Royden Wagner, Carlos Fernandez Lopez, Christoph Stiller
- Abstract要約: 生体顕微鏡画像における細胞解析のための新たな自己超越的目標を提案する。
マスク細胞を擬似色化する深層学習モデルを提案する。
擬似色化によるセマンティックセグメンテーションの近似は,細胞検出の微調整に有用であることがわかった。
- 参考スコア(独自算出の注目度): 18.843372840624077
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-supervised learning, which is strikingly referred to as the dark matter
of intelligence, is gaining more attention in biomedical applications of deep
learning. In this work, we introduce a novel self-supervision objective for the
analysis of cells in biomedical microscopy images. We propose training deep
learning models to pseudo-colorize masked cells. We use a physics-informed
pseudo-spectral colormap that is well suited for colorizing cell topology. Our
experiments reveal that approximating semantic segmentation by
pseudo-colorization is beneficial for subsequent fine-tuning on cell detection.
Inspired by the recent success of masked image modeling, we additionally mask
out cell parts and train to reconstruct these parts to further enrich the
learned representations. We compare our pre-training method with
self-supervised frameworks including contrastive learning (SimCLR), masked
autoencoders (MAEs), and edge-based self-supervision. We build upon our
previous work and train hybrid models for cell detection, which contain both
convolutional and vision transformer modules. Our pre-training method can
outperform SimCLR, MAE-like masked image modeling, and edge-based
self-supervision when pre-training on a diverse set of six fluorescence
microscopy datasets. Code is available at:
https://github.com/roydenwa/pseudo-colorize-masked-cells
- Abstract(参考訳): 知識のダークマターと呼ばれる自己教師型学習は、深層学習の生体医学的応用において注目されている。
本稿では,生体顕微鏡画像における細胞分析のための新しい自己スーパービジョン目標を提案する。
マスク細胞を擬似色化する深層学習モデルを提案する。
我々は、細胞トポロジーの着色に適した物理インフォームド擬似スペクトルカラーマップを使用する。
擬似色化によるセグメンテーションの近似は,細胞検出の微調整に有用である。
最近のマスク画像モデリングの成功に触発されて、私たちはさらにセルのパーツをマスクアウトし、これらのパーツを再構築して学習した表現をさらに豊かにする訓練を行いました。
我々は,事前学習手法を,コントラスト学習(SimCLR),マスク付きオートエンコーダ(MAE),エッジベースのセルフスーパービジョンなど,自己指導型フレームワークと比較した。
我々は、これまでの研究に基づいて、畳み込みと視覚変換モジュールを含む細胞検出のためのハイブリッドモデルを訓練する。
我々の事前学習法は,6種類の蛍光顕微鏡データセットを用いた事前学習において,SimCLR,MAE様マスク画像モデリング,エッジベースセルフスーパービジョンよりも優れる。
https://github.com/roydenwa/pseudo-colorize-masked-cells
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) - Grad-CAMO: Learning Interpretable Single-Cell Morphological Profiles from 3D Cell Painting Images [0.0]
教師付き特徴抽出器のための新しい単一セル解釈可能性スコアであるGrad-CAMOを紹介する。
Grad-CAMOは、関心の細胞と背景の細胞に集中しているモデルの注意率を測定する。
論文 参考訳(メタデータ) (2024-03-26T11:48:37Z) - Learning Nuclei Representations with Masked Image Modelling [0.41998444721319206]
Masked Image Modelling (MIM) は強力な自己教師付き表現学習パラダイムである。
核レベルでのHemotoxylin & Eosin(H&E)染色画像のリッチな意味表現をMIMで捉える能力を示す。
論文 参考訳(メタデータ) (2023-06-29T17:20:05Z) - Not All Image Regions Matter: Masked Vector Quantization for
Autoregressive Image Generation [78.13793505707952]
既存の自己回帰モデルは、まず画像再構成のための潜伏空間のコードブックを学習し、学習したコードブックに基づいて自己回帰的に画像生成を完了する2段階生成パラダイムに従っている。
そこで本研究では,Masked Quantization VAE (MQ-VAE) Stackモデルを用いた2段階フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-23T02:15:53Z) - Improving Masked Autoencoders by Learning Where to Mask [65.89510231743692]
マスケ画像モデリングは視覚データに対する有望な自己教師型学習手法である。
本稿では,Gumbel-Softmax を用いて,対向学習マスク生成装置とマスク誘導画像モデリングプロセスとを相互接続するフレームワーク AutoMAE を提案する。
実験の結果,AutoMAEは,標準の自己監督型ベンチマークや下流タスクに対して,効果的な事前学習モデルを提供することがわかった。
論文 参考訳(メタデータ) (2023-03-12T05:28:55Z) - Unsupervised Deep Digital Staining For Microscopic Cell Images Via
Knowledge Distillation [46.006296303296544]
大規模にステンド/アンステンディングされたセルイメージペアを実際に取得することは困難である。
本稿では,セル画像のデジタル染色のための新しい教師なしディープラーニングフレームワークを提案する。
提案手法は, より正確な位置と形状の染色画像を生成することができることを示す。
論文 参考訳(メタデータ) (2023-03-03T16:26:38Z) - 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) - CellCentroidFormer: Combining Self-attention and Convolution for Cell
Detection [4.555723508665994]
顕微鏡画像における細胞検出のためのハイブリッドCNN-ViTモデルを提案する。
センチロイドを用いた細胞検出法は、細胞を楕円体として表現し、エンドツーエンドの訓練を可能にする。
論文 参考訳(メタデータ) (2022-06-01T09:04:39Z) - Adversarial Masking for Self-Supervised Learning [81.25999058340997]
自己教師付き学習のためのマスク付き画像モデル(MIM)フレームワークであるADIOSを提案する。
対向目的物を用いてマスキング機能と画像エンコーダを同時に学習する。
さまざまなタスクやデータセットに対する最先端の自己教師付き学習(SSL)メソッドを一貫して改善する。
論文 参考訳(メタデータ) (2022-01-31T10:23:23Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳(メタデータ) (2020-11-24T01:53:39Z)
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。