論文の概要: Deep-learning assisted detection and quantification of (oo)cysts of
Giardia and Cryptosporidium on smartphone microscopy images
- arxiv url: http://arxiv.org/abs/2304.05339v1
- Date: Tue, 11 Apr 2023 16:58:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-12 14:06:42.555621
- Title: Deep-learning assisted detection and quantification of (oo)cysts of
Giardia and Cryptosporidium on smartphone microscopy images
- Title（参考訳）: スマートフォン顕微鏡画像によるGiardiaとCryptosporidiumの(o)cystの検出と定量化
- Authors: Suprim Nakarmi, Sanam Pudasaini, Safal Thapaliya, Pratima Upretee,
Retina Shrestha, Basant Giri, Bhanu Bhakta Neupane, and Bishesh Khanal
- Abstract要約: 我々は,ジアルディアおよびクリプトスポリジウムの(o)嚢胞を検出する3つの最先端物体検出器の性能評価を行った。
深層学習モデルは、その有効性と限界を探求するために用いられた。
以上の結果から, 深層学習モデルでは, 明視野顕微鏡画像データセットの方が精度がよいが, スマートフォンの顕微鏡による予測は, 非専門家の予測性能に匹敵することがわかった。
- 参考スコア（独自算出の注目度）: 0.1349100458364391
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The consumption of microbial-contaminated food and water is responsible for
the deaths of millions of people annually. Smartphone-based microscopy systems
are portable, low-cost, and more accessible alternatives for the detection of
Giardia and Cryptosporidium than traditional brightfield microscopes. However,
the images from smartphone microscopes are noisier and require manual cyst
identification by trained technicians, usually unavailable in resource-limited
settings. Automatic detection of (oo)cysts using deep-learning-based object
detection could offer a solution for this limitation. We evaluate the
performance of three state-of-the-art object detectors to detect (oo)cysts of
Giardia and Cryptosporidium on a custom dataset that includes both smartphone
and brightfield microscopic images from vegetable samples. Faster RCNN,
RetinaNet, and you only look once (YOLOv8s) deep-learning models were employed
to explore their efficacy and limitations. Our results show that while the
deep-learning models perform better with the brightfield microscopy image
dataset than the smartphone microscopy image dataset, the smartphone microscopy
predictions are still comparable to the prediction performance of non-experts.
- Abstract（参考訳）: 微生物汚染食品と水の消費は、毎年数百万人の死の原因となっている。
スマートフォンベースの顕微鏡システムは、従来の明るい視野顕微鏡よりもポータブルで低コストで、よりアクセスしやすい代替品である。
しかし、スマートフォンの顕微鏡画像はノイズが多く、訓練された技術者が手動で嚢胞を識別する必要がある。
ディープラーニングに基づく物体検出による(o)嚢胞の自動検出は、この制限に対する解決策となる。
植物試料からのスマートフォンおよびbrightfield顕微鏡画像を含むカスタムデータセット上で,giardiaおよびcryptosporidiumの(oo)シストを検出するための,最先端の3つの物体検出器の性能評価を行った。
RCNNやRetinaNetよりも高速で、1回だけ(YOLOv8s)のディープラーニングモデルを使用して、その有効性と制限を調査しました。
以上の結果から,スマートフォンの顕微鏡画像データセットよりもbrightfield顕微鏡画像データセットの方が精度が良いが,スマートフォンの顕微鏡予測は非熟練者の予測性能に匹敵することがわかった。
関連論文リスト
- DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。
我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
論文 参考訳（メタデータ） (2024-10-04T00:38:29Z) - Masked Autoencoders for Microscopy are Scalable Learners of Cellular Biology [2.7280901660033643]
本研究は、弱教師付き分類器と自己教師付きマスク付きオートエンコーダ(MAE)のスケーリング特性について検討する。
以上の結果から,ViTをベースとしたMAEは,様々なタスクにおいて弱い教師付き分類器よりも優れており,公的なデータベースから得られた既知の生物学的関係を思い出すと,11.5%の相対的な改善が達成されることがわかった。
我々は、異なる数のチャネルと順序の画像を推論時に入力できる新しいチャネルに依存しないMAEアーキテクチャ(CA-MAE)を開発した。
論文 参考訳（メタデータ） (2024-04-16T02:42:06Z) - Masked Autoencoders are Scalable Learners of Cellular Morphology [0.3057210732296065]
本研究は,大規模な顕微鏡データセット上で大規模モデルをトレーニングする際の,自己教師型ディープラーニングアプローチのスケールアップ方法について検討する。
以上の結果から,CNNとViTをベースとしたマスク付きオートエンコーダはともに,教師付きベースラインよりも有意に優れていた。
論文 参考訳（メタデータ） (2023-09-27T23:11:35Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳（メタデータ） (2023-04-19T13:45:28Z) - Application of the YOLOv5 Model for the Detection of Microobjects in the
Marine Environment [101.18253437732933]
海洋環境における微小物体の自動検出と認識の問題を解決するためのYOLOV5機械学習モデルの有効性について検討した。
論文 参考訳（メタデータ） (2022-11-28T10:58:50Z) - Deep neural networks approach to microbial colony detection -- a
comparative analysis [52.77024349608834]
本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。
得られた結果は将来の実験のベンチマークとして機能するかもしれない。
論文 参考訳（メタデータ） (2021-08-23T12:06:00Z) - AGAR a microbial colony dataset for deep learning detection [0.0]
Annotated Germs for Automated Recognition データセットは、寒天のプレート上に培養された微生物コロニーの画像データベースである。
本研究では,データセット自体とその開発過程について述べる。
第2部では、AGARデータセット上で、オブジェクト検出のための選択されたディープニューラルネットワークアーキテクチャの性能を評価した。
論文 参考訳（メタデータ） (2021-08-03T01:26:41Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - MicroAnalyzer: A Python Tool for Automated Bacterial Analysis with
Fluorescence Microscopy [0.0]
MicroAnalyzerは、顕微鏡画像解析のためのエンドツーエンドのプラットフォームである。
最先端のディープラーニングセグメンテーションモデルに基づいて、正確なセルと蛍光クラスターセグメンテーションを提供する。
初期のディープラーニングモデルトレーニングを除いて、研究者からそれ以上の入力は不要である。
論文 参考訳（メタデータ） (2020-09-26T20:45:19Z) - Global Voxel Transformer Networks for Augmented Microscopy [54.730707387866076]
本稿では,拡張顕微鏡のための高度な深層学習ツールであるグローバルボクセルトランスフォーマーネットワーク(GVTNets)を紹介する。
GVTNetはグローバルな情報収集が可能なグローバルなボクセル変換演算子(GVTO)上に構築されている。
提案手法を既存のデータセットに適用し,様々な環境下での3種類の拡張顕微鏡タスクについて検討する。
論文 参考訳（メタデータ） (2020-08-05T20:11:15Z) - ParasNet: Fast Parasites Detection with Neural Networks [0.0]
ディープラーニングは、画像分類、オブジェクト検出、音声認識、薬物発見など、多くのアプリケーション領域のパフォーマンスを2012年以来劇的に向上させてきた。
我々の研究は、将来、リアルタイムかつ高精度なラベルフリー細胞レベルCryptosporidiumとGiardia検出システムに繋がる。
論文 参考訳（メタデータ） (2020-02-26T06:58:17Z)
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。