論文の概要: Self-supervised dense representation learning for live-cell microscopy
with time arrow prediction
- arxiv url: http://arxiv.org/abs/2305.05511v2
- Date: Wed, 26 Jul 2023 11:59:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-27 15:45:01.833937
- 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 followed by a time arrow prediction head that operates on the
fused features. 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を用いて予測し,その後,融合した特徴に基づいて時間矢印予測ヘッドを動作させる。
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
- 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) - Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。
特に、アノテータ学習を学習から学習までの問題として定式化する。
提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
論文 参考訳(メタデータ) (2022-11-06T01:29:22Z) - 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) - 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) - 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) - Cell Segmentation and Tracking using CNN-Based Distance Predictions and
a Graph-Based Matching Strategy [0.20999222360659608]
顕微鏡画像における触覚細胞のセグメンテーション法を提案する。
距離マップにインスパイアされた新しい細胞境界の表現を用いることで, 触覚細胞だけでなく, 近接細胞をトレーニングプロセスで利用することができる。
この表現は、特にアノテーションエラーに対して堅牢であり、未表現または未含の細胞型を含むトレーニングデータに含まれる顕微鏡画像のセグメンテーションに対して有望な結果を示す。
論文 参考訳(メタデータ) (2020-04-03T11:55:28Z)
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。