論文の概要: The Multi-modality Cell Segmentation Challenge: Towards Universal
Solutions
- arxiv url: http://arxiv.org/abs/2308.05864v1
- Date: Thu, 10 Aug 2023 21:59:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 15:33:50.734984
- Title: The Multi-modality Cell Segmentation Challenge: Towards Universal
Solutions
- Title(参考訳): マルチモダリティセルセグメンテーションチャレンジ:ユニバーサルソリューションに向けて
- Authors: Jun Ma, Ronald Xie, Shamini Ayyadhury, Cheng Ge, Anubha Gupta, Ritu
Gupta, Song Gu, Yao Zhang, Gihun Lee, Joonkee Kim, Wei Lou, Haofeng Li, Eric
Upschulte, Timo Dickscheid, Jos\'e Guilherme de Almeida, Yixin Wang, Lin Han,
Xin Yang, Marco Labagnara, Sahand Jamal Rahi, Carly Kempster, Alice Pollitt,
Leon Espinosa, T\^am Mignot, Jan Moritz Middeke, Jan-Niklas Eckardt, Wangkai
Li, Zhaoyang Li, Xiaochen Cai, Bizhe Bai, Noah F. Greenwald, David Van Valen,
Erin Weisbart, Beth A. Cimini, Zhuoshi Li, Chao Zuo, Oscar Br\"uck, Gary D.
Bader, and Bo Wang
- Abstract要約: このベンチマークは、50以上の生物実験の1500以上のラベル付き画像で構成されている。
上位の参加者は、既存の手法を超越したTransformerベースのディープラーニングアルゴリズムを開発した。
- 参考スコア(独自算出の注目度): 31.008823523291284
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cell segmentation is a critical step for quantitative single-cell analysis in
microscopy images. Existing cell segmentation methods are often tailored to
specific modalities or require manual interventions to specify hyperparameters
in different experimental settings. Here, we present a multi-modality cell
segmentation benchmark, comprising over 1500 labeled images derived from more
than 50 diverse biological experiments. The top participants developed a
Transformer-based deep-learning algorithm that not only exceeds existing
methods, but can also be applied to diverse microscopy images across imaging
platforms and tissue types without manual parameter adjustments. This benchmark
and the improved algorithm offer promising avenues for more accurate and
versatile cell analysis in microscopy imaging.
- Abstract(参考訳): 細胞セグメンテーションは顕微鏡画像における定量的単一細胞解析の重要なステップである。
既存の細胞セグメンテーション法は、しばしば特定のモダリティに合わせて調整されるか、または異なる実験環境でハイパーパラメータを指定するために手動で介入する必要がある。
本稿では,50以上の生物実験から得られた1500以上のラベル付き画像からなる多変量細胞分割ベンチマークを提案する。
トップの参加者は、トランスフォーマーベースのディープラーニングアルゴリズムを開発し、既存の手法を超えるだけでなく、画像プラットフォームや組織タイプにわたる多様な顕微鏡画像にも手動パラメータ調整なしで適用することができる。
このベンチマークと改良されたアルゴリズムは、顕微鏡イメージングにおけるより正確で多用途な細胞分析に有望な手段を提供する。
関連論文リスト
- CellMixer: Annotation-free Semantic Cell Segmentation of Heterogeneous
Cell Populations [9.335273591976648]
異種細胞集団のセマンティックセグメンテーションのための革新的なアノテーションのないアプローチであるCellMixerを提案する。
以上の結果から,CellMixerは複数のセルタイプにまたがる競合セグメンテーション性能と画像モダリティを実現することができることがわかった。
論文 参考訳(メタデータ) (2023-12-01T15:50:20Z) - Multi-stream Cell Segmentation with Low-level Cues for Multi-modality
Images [66.79688768141814]
我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。
次に、分類ラベルに基づいて分類モデルを訓練する。
2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
論文 参考訳(メタデータ) (2023-10-22T08:11:08Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - 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) - Advanced Multi-Microscopic Views Cell Semi-supervised Segmentation [0.0]
深層学習(DL)は細胞セグメンテーションタスクにおいて強力なポテンシャルを示すが、一般化が不十分である。
本稿では,Multi-Microscopic-view Cell semi-supervised (MMCS) と呼ばれる,新しい半教師付き細胞分割法を提案する。
MMCSは、マイクロスコープの異なる低ラベルの多姿勢細胞画像を用いて、細胞セグメンテーションモデルを訓練することができる。
F1スコアは0.8239であり、全てのケースのランニング時間は許容時間の範囲内である。
論文 参考訳(メタデータ) (2023-03-21T08:08:13Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳(メタデータ) (2023-03-01T23:37:45Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-11-14T18:16:36Z) - A kinetic approach to consensus-based segmentation of biomedical images [58.720142291102135]
バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。
システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。
2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
論文 参考訳(メタデータ) (2022-11-08T09:54:34Z) - Multi-Modality Microscopy Image Style Transfer for Nuclei Segmentation [3.535158633337794]
本稿では,GAN(Generative Adversarial Network)に基づく顕微鏡的拡張手法を提案する。
他のスタイルの転送方法とは異なり、異なる細胞アッセイタイプや照明条件だけでなく、異なる画像モダリティも扱える。
我々は,様々な細胞アッセイ,照明条件,画像モダリティからなる2018年データサイエンスボウルデータセットを用いて,データ拡張を評価した。
論文 参考訳(メタデータ) (2021-11-23T20:19:20Z) - A fully automated end-to-end process for fluorescence microscopy images
of yeast cells: From segmentation to detection and classification [0.0]
酵母細胞の蛍光顕微鏡画像の細胞区画を自動的にセグメント化し、検出し、分類するエンドツーエンドのプロセスを構築します。
この完全に自動化されたプロセスは、PerICo1プロジェクトの対話型e-Scienceサーバに統合される。
応用領域は酵母細胞における光学顕微鏡であるが、医療用途における多細胞画像にも適用できる。
論文 参考訳(メタデータ) (2021-04-06T21:24:50Z) - Learning to segment clustered amoeboid cells from brightfield microscopy
via multi-task learning with adaptive weight selection [6.836162272841265]
マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。
ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。
検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
論文 参考訳(メタデータ) (2020-05-19T11:31:53Z)
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。