論文の概要: Unpaired Image-to-Image Translation with Limited Data to Reveal Subtle
Phenotypes
- arxiv url: http://arxiv.org/abs/2302.08503v1
- Date: Sat, 21 Jan 2023 16:25:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 14:25:40.272800
- Title: Unpaired Image-to-Image Translation with Limited Data to Reveal Subtle
Phenotypes
- Title(参考訳): Reveal Subtle Phenotypesへの限定データによる未ペア画像変換
- Authors: Anis Bourou and Auguste Genovesio
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.5076419064097732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unpaired image-to-image translation methods aim at learning a mapping of
images from a source domain to a target domain. Recently, these methods proved
to be very useful in biological applications to display subtle phenotypic cell
variations otherwise invisible to the human eye. However, current models
require a large number of images to be trained, while mostmicroscopy
experiments remain limited in the number of images they can produce. In this
work, we present an improved CycleGAN architecture that employs self-supervised
discriminators to alleviate the need for numerous images. We demonstrate
quantitatively and qualitatively that the proposed approach outperforms the
CycleGAN baseline, including when it is combined with differentiable
augmentations. We also provide results obtained with small biological datasets
on obvious and non-obvious cell phenotype variations, demonstrating a
straightforward application of this method.
- Abstract(参考訳): unpaired image-to-image translationメソッドは、ソースドメインからターゲットドメインへのイメージのマッピングを学ぶことを目的としている。
近年、これらの手法は人間の目には見えない微妙な表現型細胞変異を示す生物学的用途において非常に有用であることが証明された。
しかし、現在のモデルでは大量の画像を訓練する必要があるが、ほとんどの顕微鏡実験は生成できる画像数に制限がある。
本研究では,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。
我々は,提案手法がサイクガンベースラインよりも優れていることを定量的かつ定性的に示す。
また, 自明で非観察的な細胞表現型変異に関する小さな生物学的データセットを用いた結果も提供し, 本手法の直接的な応用を示す。
関連論文リスト
- Unleashing the Potential of Synthetic Images: A Study on Histopathology Image Classification [0.12499537119440242]
病理組織像分類は様々な疾患の正確な同定と診断に重要である。
合成画像は、既存のデータセットを効果的に増強し、最終的に下流の病理組織像分類タスクの性能を向上させることができることを示す。
論文 参考訳(メタデータ) (2024-09-24T12:02:55Z) - Mew: Multiplexed Immunofluorescence Image Analysis through an Efficient Multiplex Network [84.88767228835928]
マルチプレックスネットワークのレンズを通してmIF画像を効率的に処理する新しいフレームワークであるMewを紹介する。
Mew は、幾何学情報のための Voronoi ネットワークと、セルワイドの均一性を捉えるセル型ネットワークという、2つの異なる層からなる多重ネットワークを革新的に構築する。
このフレームワークは、トレーニング中にグラフ全体を処理できるスケーラブルで効率的なグラフニューラルネットワーク(GNN)を備えている。
論文 参考訳(メタデータ) (2024-07-25T08:22:30Z) - Practical Guidelines for Cell Segmentation Models Under Optical Aberrations in Microscopy [14.042884268397058]
本研究は,光収差下でのセル画像のセグメンテーションモデルについて,蛍光顕微鏡と光電場顕微鏡を用いて評価する。
ネットワークヘッドの異なるOstoしきい値法やMask R-CNNなどのセグメンテーションモデルをトレーニングし,テストする。
対照的に、Cellpose 2.0は同様の条件下で複雑な細胞画像に有効であることが証明されている。
論文 参考訳(メタデータ) (2024-04-12T15:45:26Z) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳(メタデータ) (2024-03-23T22:32:06Z) - Feedback Efficient Online Fine-Tuning of Diffusion Models [52.170384048274364]
提案手法は, 実現可能なサンプルの多様体上で効率的に探索できる新しい強化学習手法である。
本稿では,3つの領域にまたがる実証的検証とともに,後悔の保証を提供する理論的解析を提案する。
論文 参考訳(メタデータ) (2024-02-26T07:24:32Z) - PhenDiff: Revealing Subtle Phenotypes with Diffusion Models in Real Images [0.7329200485567825]
PhenDiffは、実際の画像をある状態から別の状態に翻訳することで、細胞性表現型の変化を特定する。
薬物治療の低濃度の場合など,表現型の変化が見えない場合や見えない場合において,この手法を質的,定量的に検証する。
論文 参考訳(メタデータ) (2023-12-13T17:06:33Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - BioGAN: An unpaired GAN-based image to image translation model for
microbiological images [1.6427658855248812]
微生物画像のための画像翻訳モデルとして,未ペアのGAN(Generative Adversarial Network)画像を開発した。
本稿では,実験室で撮影された画像の高レベルな特徴をフィールド画像に変換するために,適応的・知覚的損失を利用したGANモデルBioGANの設計を提案する。
論文 参考訳(メタデータ) (2023-06-09T19:30:49Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z) - Graph Neural Networks for UnsupervisedDomain Adaptation of
Histopathological ImageAnalytics [22.04114134677181]
組織像解析のための教師なし領域適応のための新しい手法を提案する。
特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。
実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
論文 参考訳(メタデータ) (2020-08-21T04:53:44Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳(メタデータ) (2020-03-31T11:50:43Z)
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。