論文の概要: Self-supervised dense representation learning for live-cell microscopy with time arrow prediction

• arxiv url: http://arxiv.org/abs/2305.05511v1
• Date: Tue, 9 May 2023 14:58:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 12:32:16.585404
• Title: Self-supervised dense representation learning for live-cell microscopy with time arrow prediction
• Title（参考訳）: 時間矢印予測を用いた実細胞顕微鏡のための自己教師付き密度表現学習
• Authors: Benjamin Gallusser, Max Stieber, and Martin Weigert
• Abstract要約: 生の未ラベルライブセル顕微鏡ビデオから高密度画像表現を学習する自己教師方式を提案する。 得られた高密度表現は、本質的に時間非対称な生物学的過程、例えばピクセルレベルでの細胞分裂を捉えていることを示す。 提案手法は,特に限定的な真理アノテーションが利用できる場合に,教師付き手法よりも優れる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art object detection and segmentation methods for microscopy images rely on supervised machine learning, which requires laborious manual annotation of training data. Here we present a self-supervised method based on time arrow prediction pre-training that learns dense image representations from raw, unlabeled live-cell microscopy videos. Our method builds upon the task of predicting the correct order of time-flipped image regions via a single-image feature extractor and a subsequent time arrow prediction head. We show that the resulting dense representations capture inherently time-asymmetric biological processes such as cell divisions on a pixel-level. We furthermore demonstrate the utility of these representations on several live-cell microscopy datasets for detection and segmentation of dividing cells, as well as for cell state classification. Our method outperforms supervised methods, particularly when only limited ground truth annotations are available as is commonly the case in practice. We provide code at https://github.com/weigertlab/tarrow.
• Abstract（参考訳）: 顕微鏡画像の最先端のオブジェクト検出とセグメンテーション方法は教師付き機械学習に依存しており、トレーニングデータの手作業による注釈を必要とする。 本稿では,生の無ラベルライブセル顕微鏡映像から高密度画像表現を学習するtime arrow prediction pre-trainingに基づく自己教師あり方式を提案する。 本手法は,画像領域の正しい順序を単一画像特徴抽出器とその後の時間矢印予測ヘッドで予測するタスクに基づいて構築する。 得られた高密度表現が本質的に時間非対称な生物学的過程を捉えていることを示す。 さらに,細胞分裂の検出と分節化,および細胞状態の分類において,いくつかのライブセル顕微鏡データセット上でこれらの表現の有用性を示す。 提案手法は教師付き手法よりも優れており,特に実例と同様,限定的真理アノテーションしか利用できない場合に優れる。 コードはhttps://github.com/weigertlab/tarrow.com/で提供します。

関連論文リスト

• Self-supervised Representation Learning for Cell Event Recognition through Time Arrow Prediction [23.611375087515963]
  ディープラーニングやセグメンテーショントラッキングの手法は、効果的に動作するための大量の高品質なアノテーションに依存している。 本研究では,セルイベント認識の下流タスクに自己教師付き表現学習(SSRL)の機能アノテーションを用いる方法を提案する。 また,生細胞顕微鏡におけるTAPを用いたSSRLの応用について考察した。
  論文  参考訳（メタデータ） (2024-11-06T13:54:26Z)
• 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)
• Unsupervised Learning of Object-Centric Embeddings for Cell Instance Segmentation in Microscopy Images [3.039768384237206]
  オブジェクト中心埋め込み(OCE)を導入する。 OCEはイメージパッチを埋め込み、同じオブジェクトから取得したパッチ間のオフセットが保存される。 画像パッチ間の空間オフセットを予測する自己教師型タスクにより,OCEを学習できることを理論的に示す。
  論文  参考訳（メタデータ） (2023-10-12T16:59:50Z)
• MOCA: Self-supervised Representation Learning by Predicting Masked Online Codebook Assignments [72.6405488990753]
  自己教師付き学習は、ビジョントランスフォーマーネットワークの欲求を軽減できる。 所望のプロパティを統一する単段および単段のMOCAを提案する。 我々は,様々な評価プロトコルにおいて,低照度設定と強力な実験結果に対して,最先端の新たな結果を得る。
  論文  参考訳（メタデータ） (2023-07-18T15:46:20Z)
• 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)
• Edge-Based Self-Supervision for Semi-Supervised Few-Shot Microscopy Image Cell Segmentation [16.94384366469512]
  本稿では,未ラベル画像の訓練を自己監督するためのエッジマップの予測を提案する。 実験の結果,従来のトレーニングセットの10%など,少数のアノテートされたイメージだけが,完全なアノテートされたデータベースを1～10ショットで処理するのと同じようなパフォーマンスに達するには十分であることがわかった。
  論文  参考訳（メタデータ） (2022-08-03T14:35:00Z)
• LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of Feature Similarity [49.84167231111667]
  自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。 自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。 機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
  論文  参考訳（メタデータ） (2022-04-06T17:48:18Z)
• Cell segmentation from telecentric bright-field transmitted light microscopic images using a Residual Attention U-Net: a case study on HeLa line [0.0]
  明視野光顕微鏡画像からのリビング細胞分画は、生体細胞の画像の複雑さと時間的変化のために困難である。 近年, 深層学習(DL)に基づく手法が, その成功と有望な成果により, 医用・顕微鏡画像分割作業で普及している。 本研究の目的は,HeLa線の生きた細胞を光電場透過顕微鏡で分断する深層学習型UNet法を開発することである。
  論文  参考訳（メタデータ） (2022-03-23T09:20:30Z)
• Semi-supervised Cell Detection in Time-lapse Images Using Temporal Consistency [10.20554144865699]
  本研究では,ラベル付き画像とラベル付き画像との時間経過シーケンスを効果的に利用する半教師付き細胞検出法を提案する。 まず,一方のラベル付き画像を用いたセル検出ネットワークを訓練し,未ラベル付き画像と訓練されたネットワークを推定する。 次に,検出した細胞をラベル付きフレームから遠方まで追跡することにより,推定値から高信頼位置を選択する。
  論文  参考訳（メタデータ） (2021-07-19T06:40:47Z)
• Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
  インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。 境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。 実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
  論文  参考訳（メタデータ） (2021-02-16T17:58:57Z)
• Geography-Aware Self-Supervised Learning [79.4009241781968]
  異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。 本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2020-11-19T17:29:13Z)

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。