論文の概要: Fluorescent Neuronal Cells v2: Multi-Task, Multi-Format Annotations for Deep Learning in Microscopy

• arxiv url: http://arxiv.org/abs/2307.14243v1
• Date: Wed, 26 Jul 2023 15:14:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-27 11:58:50.027736
• Title: Fluorescent Neuronal Cells v2: Multi-Task, Multi-Format Annotations for Deep Learning in Microscopy
• Title（参考訳）: 蛍光ニューロン v2: 顕微鏡における深層学習のためのマルチタスク・マルチフォームアノテーション
• Authors: Luca Clissa, Antonio Macaluso, Roberto Morelli, Alessandra Occhinegro, Emiliana Piscitiello, Ludovico Taddei, Marco Luppi, Roberto Amici, Matteo Cerri, Timna Hitrec, Lorenzo Rinaldi, Antonio Zoccoli
• Abstract要約: このデータセットは、歯状神経細胞の核と細胞質が多様なマーカーで染色される3つのイメージコレクションを含んでいる。 画像の他に、セマンティックセグメンテーション、オブジェクト検出、カウントなど、いくつかの学習タスクに対して、地平のアノテーションを提供する。
• 参考スコア（独自算出の注目度）: 44.62475518267084
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fluorescent Neuronal Cells v2 is a collection of fluorescence microscopy images and the corresponding ground-truth annotations, designed to foster innovative research in the domains of Life Sciences and Deep Learning. This dataset encompasses three image collections in which rodent neuronal cells' nuclei and cytoplasm are stained with diverse markers to highlight their anatomical or functional characteristics. Alongside the images, we provide ground-truth annotations for several learning tasks, including semantic segmentation, object detection, and counting. The contribution is two-fold. First, given the variety of annotations and their accessible formats, we envision our work facilitating methodological advancements in computer vision approaches for segmentation, detection, feature learning, unsupervised and self-supervised learning, transfer learning, and related areas. Second, by enabling extensive exploration and benchmarking, we hope Fluorescent Neuronal Cells v2 will catalyze breakthroughs in fluorescence microscopy analysis and promote cutting-edge discoveries in life sciences. The data are available at: https://amsacta.unibo.it/id/eprint/7347
• Abstract（参考訳）: 蛍光細胞v2は、生命科学と深層学習の領域における革新的な研究を促進するために設計された蛍光顕微鏡画像とそれに対応する地平線アノテーションのコレクションである。 このデータセットは、歯状神経細胞の核と細胞質が様々なマーカーで染色され、解剖学的または機能的特徴を強調する3つのイメージコレクションを含んでいる。 画像の他に、セマンティックセグメンテーション、オブジェクト検出、カウントなど、いくつかの学習タスクに対して、地平のアノテーションを提供する。 コントリビューションは2つあります。 まず,アノテーションの多様さと利用可能な形式を考慮し,セグメンテーション,検出,特徴学習,教師なし・自己教師型学習,伝達学習,関連分野のコンピュータビジョンアプローチにおける方法論的進歩の促進を図った。 第2に,広範な探索とベンチマークを行うことにより,蛍光細胞v2が蛍光顕微鏡解析におけるブレークスルーを触媒し,生命科学における最先端の発見を促進することを期待する。 データは以下の通り。 https://amsacta.unibo.it/id/eprint/7347

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)
• ViKL: A Mammography Interpretation Framework via Multimodal Aggregation of Visual-knowledge-linguistic Features [54.37042005469384]
  MVKLは,マルチビュー画像,詳細な表示,報告を含む最初のマルチモーダルマンモグラフィーデータセットである。 このデータセットに基づいて、教師なし事前学習のチャラリングタスクに焦点を当てる。 視覚,知識,言語機能を相乗化するフレームワークであるViKLを提案する。
  論文  参考訳（メタデータ） (2024-09-24T05:01:23Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Gravitational cell detection and tracking in fluorescence microscopy data [0.18828620190012021]
  我々は、現代の機械学習モデルと競合し、潜在的に勝る可能性のある重力場に基づく新しいアプローチを提案する。 この方法では、検出、セグメンテーション、トラッキング要素が含まれ、その結果はCell Tracking Challengeデータセットで示される。
  論文  参考訳（メタデータ） (2023-12-06T14:08:05Z)
• BriFiSeg: a deep learning-based method for semantic and instance segmentation of nuclei in brightfield images [0.0]
  静止しない明視野画像は、生きた試料と固定された試料の両方からどんな顕微鏡でも取得できる。 4つの異なる細胞株において, 明視野画像からの核的セグメンテーションが得られた。 セグメンテーションには2つの異なる効果的な戦略が採用された。
  論文  参考訳（メタデータ） (2022-11-06T10:03:04Z)
• 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)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Scope2Screen: Focus+Context Techniques for Pathology Tumor Assessment in Multivariate Image Data [0.0]
  Scope2Screenは、全スライディング、ハイプレックス、組織像のフォーカス+コンテキスト探索とアノテーションのためのスケーラブルなソフトウェアシステムである。 我々のアプローチは、数百万のセルを含む1チャンネルあたり109ピクセル以上の100GBの画像を分析するためにスケールする。 単細胞および組織レベルで機能する対話型レンズ技術を提案する。
  論文  参考訳（メタデータ） (2021-10-10T18:34:13Z)
• Microscopic fine-grained instance classification through deep attention [7.50282814989294]
  限られたサンプルを用いた微視的画像データのきめ細かい分類は、コンピュータビジョンとバイオメディカルイメージングにおいて未解決の問題である。 本稿では,エンドツーエンドで2つのタスクを同時に実行する,シンプルで効果的なディープネットワークを提案する。 その結果、堅牢だが軽量なエンドツーエンドのトレーニング可能なディープネットワークが実現し、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2020-10-06T15:29:58Z)
• Modality Attention and Sampling Enables Deep Learning with Heterogeneous Marker Combinations in Fluorescence Microscopy [5.334932400937323]
  蛍光顕微鏡は、色チャネルとして可視化された様々な慎重に選択されたマーカーで染色することで、細胞、細胞ネットワーク、解剖学的ランドマークの詳細な検査を可能にする。 他の視覚応用におけるディープラーニング手法の成功にもかかわらず、蛍光画像解析の可能性はまだ明らかになっていない。 本稿では,モダリティサンプリング戦略と新しいアテンションモジュールを備えたニューラルネットワーク手法であるMarker Sampling and Exciteを提案する。
  論文  参考訳（メタデータ） (2020-08-27T21:57:07Z)

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。