論文の概要: SegmentAnything helps microscopy images based automatic and quantitative organoid detection and analysis
- arxiv url: http://arxiv.org/abs/2309.04190v4
- Date: Mon, 8 Apr 2024 10:57:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 04:47:47.122345
- Title: SegmentAnything helps microscopy images based automatic and quantitative organoid detection and analysis
- Title（参考訳）: SegmentAnythingは、顕微鏡画像によるオルガノイドの自動検出と分析を支援する
- Authors: Xiaodan Xing, Chunling Tang, Yunzhe Guo, Nicholas Kurniawan, Guang Yang,
- Abstract要約: オルガノイド(Organoids)は、生体組織や臓器のアーキテクチャや機能を忠実に模倣する、自己組織化された3D細胞クラスターである。
最近の顕微鏡技術は、オルガノイドの形態的特徴を取得する強力なツールを提供するが、手動画像解析は依然として手間と時間を要するプロセスである。
本稿では、SegmentAnythingを利用して個々のオルガノイドを正確に分離する顕微鏡解析のための包括的パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 2.9074136720945356
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Organoids are self-organized 3D cell clusters that closely mimic the architecture and function of in vivo tissues and organs. Quantification of organoid morphology helps in studying organ development, drug discovery, and toxicity assessment. Recent microscopy techniques provide a potent tool to acquire organoid morphology features, but manual image analysis remains a labor and time-intensive process. Thus, this paper proposes a comprehensive pipeline for microscopy analysis that leverages the SegmentAnything to precisely demarcate individual organoids. Additionally, we introduce a set of morphological properties, including perimeter, area, radius, non-smoothness, and non-circularity, allowing researchers to analyze the organoid structures quantitatively and automatically. To validate the effectiveness of our approach, we conducted tests on bright-field images of human induced pluripotent stem cells (iPSCs) derived neural-epithelial (NE) organoids. The results obtained from our automatic pipeline closely align with manual organoid detection and measurement, showcasing the capability of our proposed method in accelerating organoids morphology analysis.
- Abstract（参考訳）: オルガノイド(Organoids)は、生体組織や臓器のアーキテクチャや機能を忠実に模倣する、自己組織化された3D細胞クラスターである。
オルガノイドの形態の定量化は、臓器の発達、薬物発見、毒性評価の研究に役立つ。
最近の顕微鏡技術は、オルガノイドの形態的特徴を取得する強力なツールを提供するが、手動画像解析は依然として手間と時間を要するプロセスである。
そこで本稿では,SegmentAnythingを利用して個々のオルガノイドを正確に分離する,顕微鏡解析のための包括的パイプラインを提案する。
さらに, 周辺, 面積, 半径, 非平滑性, 非循環性などの形態的特性のセットを導入し, 研究者が定量的に, 自動的にオルガノイド構造を解析できるようにする。
提案手法の有効性を検証するため,ヒト誘導多能性幹細胞(iPSCs)由来神経上皮性オルガノイド(NE)の明視野画像の検討を行った。
自動パイプラインから得られた結果は,手動オルガノイド検出および測定と密接に一致し,オルガノイド形態解析の高速化における提案手法の有効性を示した。
関連論文リスト
- MultiOrg: A Multi-rater Organoid-detection Dataset [1.29058164565662]
このデータセットは、400以上の高解像度の2D顕微鏡画像と、6万以上のオルガノイドのアノテーションからなる。
さらに、私たちはオルガノイド検出のためのベンチマークを提供し、人気のある画像視覚化ツールであるNapariの、容易にインストール可能でインタラクティブなプラグインを通じて、最高のモデルを利用できるようにします。
論文 参考訳（メタデータ） (2024-10-18T17:05:03Z) - From Tissue Plane to Organ World: A Benchmark Dataset for Multimodal Biomedical Image Registration using Deep Co-Attention Networks [17.718448707146017]
組織と臓器の登録は、特定の組織学的セクションがヒトの臓器のごく一部しか取得できないため、追加の課題となる。
私たちは、さまざまな機関からソースを得たATOMベンチマークデータセットを作成し、この課題を機械学習問題に変換することを目的としています。
RegisMCANモデルの性能は,臓器画像から抽出した部分領域が全体の3次元体積内からどこから抽出されたのかを正確に予測する深層学習の可能性を示している。
論文 参考訳（メタデータ） (2024-06-06T14:21:15Z) - Neural Echos: Depthwise Convolutional Filters Replicate Biological
Receptive Fields [56.69755544814834]
哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。
生体受容の分野からインスピレーションを得る手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T18:06:22Z) - Nondestructive, quantitative viability analysis of 3D tissue cultures
using machine learning image segmentation [0.0]
本稿では,3次元培養における細胞生存率の定量化のための画像処理アルゴリズムについて述べる。
提案アルゴリズムは,1対の人的専門家に対して,数日にわたる全体像と培養マトリクスの合成において,同様の性能を示すことを示す。
論文 参考訳（メタデータ） (2023-11-15T20:28:31Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z) - A survey on Organoid Image Analysis Platforms [0.0]
オルガノイド(Organoids)は、in vitro細胞培養系に置換された一次ドナーまたは幹細胞の多細胞スフェロイドである。
生物学におけるオルガノイドモデルの力にもかかわらず、その大きさと形状はほとんど考慮されていない。
薬物反応は、個々のオルガノイドの形態、数、大きさの動的変化に依存する。
論文 参考訳（メタデータ） (2023-01-06T00:15:05Z) - 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) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:41:12Z) - Automated Neuron Shape Analysis from Electron Microscopy [1.8517589712597946]
本稿では,EMデータを用いたシナプス後構造に基づくニューロン解析のための完全自動フレームワークを提案する。
この処理フレームワークは、形状抽出、オートエンコーダによる表現、形状分布に基づく細胞全体のモデリングと解析を含む。
論文 参考訳（メタデータ） (2020-05-29T22:19:00Z) - DeepRetinotopy: Predicting the Functional Organization of Human Visual
Cortex from Structural MRI Data using Geometric Deep Learning [125.99533416395765]
我々は,脳機能と解剖学の複雑な関係を構造的および機能的MRIデータから学習するために,大脳皮質の構造を活用できるディープラーニングモデルを開発した。
我々のモデルは解剖学的特性だけで人間の視覚野の機能的構造を予測することができ、また個人間でのニュアンスの変化を予測することができた。
論文 参考訳（メタデータ） (2020-05-26T04:54:31Z) - Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
我々はCTにおける臓器局所化のための深層強化学習手法を提案する。
この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。
本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
論文 参考訳（メタデータ） (2020-05-11T10:06:13Z)
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。