論文の概要: Application of Artificial Intelligence in the Classification of
Microscopical Starch Images for Drug Formulation
- arxiv url: http://arxiv.org/abs/2305.05321v1
- Date: Tue, 9 May 2023 10:16:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 13:06:50.412032
- Title: Application of Artificial Intelligence in the Classification of
Microscopical Starch Images for Drug Formulation
- Title（参考訳）: 薬物製剤の顕微鏡的デンプン画像分類における人工知能の応用
- Authors: Marvellous Ajala, Blessing Oko, David Oba-Fidelis, Joycelyn Iyasele,
Joy I. Odimegwu
- Abstract要約: デンプンは工場で見られる重要なエネルギー源であり、製薬業界で多くの用途がある。
本研究では,9種類の植物由来のデンプン試料から得られた顕微鏡画像に人工知能技術(トランスファーラーニングと深部畳み込みニューラルネットワークCNN)を適用した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Starches are important energy sources found in plants with many uses in the
pharmaceutical industry such as binders, disintegrants, bulking agents in drugs
and thus require very careful physicochemical analysis for proper
identification and verification which includes microscopy. In this work, we
applied artificial intelligence techniques (using transfer learning and deep
convolution neural network CNNs to microscopical images obtained from 9 starch
samples of different botanical sources. Our approach obtained an accuracy of
61% when the machine learning model was pretrained on microscopic images from
MicroNet dataset. However the accuracy jumped to 81% for model pretrained on
random day to day images obtained from Imagenet dataset. The model pretrained
on the imagenet dataset also showed a better precision, recall and f1 score
than that pretrained on the imagenet dataset.
- Abstract（参考訳）: デンプンは、バインダー、分解剤、薬のバルク剤など、製薬業界で多くの用途を持つ植物で見られる重要なエネルギー源であり、顕微鏡を含む適切な同定と検証のために非常に注意深い物理化学的分析を必要とする。
本研究では,異なる植物源のデンプン試料9種から得られた顕微鏡画像に,トランスファーラーニングとディープ畳み込みニューラルネットワークcnnを用いた人工知能技術を適用した。
機械学習モデルがMicroNetデータセットから顕微鏡画像に事前トレーニングされた場合, 精度は61%であった。
しかし、imagenetデータセットから得られたランダムな日毎のイメージで事前トレーニングされたモデルでは、精度が81%に上昇した。
imagenetデータセットで事前トレーニングされたモデルは、imagenetデータセットで事前トレーニングされたモデルよりも精度、リコール、f1スコアが高かった。
関連論文リスト
- Ocular Disease Classification Using CNN with Deep Convolutional Generative Adversarial Network [0.0]
我々は,CNNに基づく分類モデルの訓練のためのデータセットを合成するために,GANに基づくデータ生成手法を提案する。
モデル分類の精度を元の眼画像と比較すると、近視の精度は78.6%、緑内障の88.6%、白内障の84.6%、全体分類の精度は84.6%である。
論文 参考訳（メタデータ） (2025-02-14T17:47:18Z) - MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。
このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。
六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
論文 参考訳（メタデータ） (2024-12-12T15:01:39Z) - Embryo 2.0: Merging Synthetic and Real Data for Advanced AI Predictions [69.07284335967019]
2つのデータセットを使用して、2つの生成モデルをトレーニングします。
2-cell, 4-cell, 8-cell, morula, blastocyst など, 様々な細胞で合成胚画像を生成する。
これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。
論文 参考訳（メタデータ） (2024-12-02T08:24:49Z) - Local-to-Global Self-Supervised Representation Learning for Diabetic Retinopathy Grading [0.0]
本研究では,自己指導型学習と知識蒸留を用いた新しいハイブリッド学習モデルを提案する。
我々のアルゴリズムでは、自己教師型学習および知識蒸留モデルの中で初めて、テストデータセットがトレーニングデータセットよりも50%大きい。
類似の最先端モデルと比較すると,より高精度で効率的な表現空間が得られた。
論文 参考訳（メタデータ） (2024-10-01T15:19:16Z) - Automated Segmentation and Analysis of Microscopy Images of Laser Powder Bed Fusion Melt Tracks [0.0]
断面画像から溶融トラック次元を自動的に識別し,計測する画像分割ニューラルネットワークを提案する。
我々は、U-Netアーキテクチャを用いて、異なる研究室、機械、材料から得られた62個の事前ラベル付き画像のデータセットと、画像拡張を併用したトレーニングを行う。
論文 参考訳（メタデータ） (2024-09-26T22:44:00Z) - 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) - Few-Shot Learning Enables Population-Scale Analysis of Leaf Traits in
Populus trichocarpa [1.9089478605920305]
この研究は、(i)最小のトレーニングデータを必要とする高速で正確な画像ベースの特徴抽出のための方法と、(ii)68種類の葉の表現型を含む新しい集団規模のデータセットを、ドメイン科学者や機械学習研究者向けに植物表現型コミュニティに提供するように設計されている。
数発の学習コード、データ、結果はすべて公開されています。
論文 参考訳（メタデータ） (2023-01-24T23:40:01Z) - 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) - 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) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z) - Automatic identification of fossils and abiotic grains during carbonate
microfacies analysis using deep convolutional neural networks [1.520387509697271]
堆積物環境の解釈や古生態学的復元には, 薄片の微細構造同定に基づく岩石学的解析が広く用いられている。
骨格の断片の形態学的および微細構造的多様性を識別するには、微生物の化石形態の広範な事前知識が必要である。
論文 参考訳（メタデータ） (2020-09-24T00:58:48Z)
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。