論文の概要: Segmentation and Characterization of Macerated Fibers and Vessels Using
Deep Learning
- arxiv url: http://arxiv.org/abs/2401.16937v1
- Date: Tue, 30 Jan 2024 12:04:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 15:21:30.900168
- Title: Segmentation and Characterization of Macerated Fibers and Vessels Using
Deep Learning
- Title(参考訳): 深層学習によるマセラー繊維と血管のセグメンテーションとキャラクタリゼーション
- Authors: Saqib Qamar, Abu Imran Baba, St\'ephane Verger, Magnus Andersson
- Abstract要約: 木材は繊維や容器などの異なる細胞タイプから構成され、その特性を定義する。
そこで我々は,一段階YOLOv8モデルを用いた自動ディープラーニングセグメンテーション手法を開発した。
このモデルは32640 x 25920ピクセルの画像を分析し、有効な細胞検出とセグメンテーションを示し、mAP_0.5-0.95の78 %を達成する。
- 参考スコア(独自算出の注目度): 0.5325390073522079
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Wood comprises different cell types, such as fibers and vessels,
defining its properties. Studying their shape, size, and arrangement in
microscopic images is crucial for understanding wood samples. Typically, this
involves macerating (soaking) samples in a solution to separate cells, then
spreading them on slides for imaging with a microscope that covers a wide area,
capturing thousands of cells. However, these cells often cluster and overlap in
images, making the segmentation difficult and time-consuming using standard
image-processing methods. Results: In this work, we develop an automatic deep
learning segmentation approach that utilizes the one-stage YOLOv8 model for
fast and accurate fiber and vessel segmentation and characterization in
microscopy images. The model can analyze 32640 x 25920 pixels images and
demonstrate effective cell detection and segmentation, achieving a mAP_0.5-0.95
of 78 %. To assess the model's robustness, we examined fibers from a
genetically modified tree line known for longer fibers. The outcomes were
comparable to previous manual measurements. Additionally, we created a
user-friendly web application for image analysis and provided the code for use
on Google Colab. Conclusion: By leveraging YOLOv8's advances, this work
provides a deep learning solution to enable efficient quantification and
analysis of wood cells suitable for practical applications.
- Abstract(参考訳): 目的:木材は繊維や容器などの異なる細胞タイプからなり、その特性を定義する。
顕微鏡画像の形状、大きさ、配置を研究することは、木材サンプルを理解する上で重要である。
通常は、溶液中のサンプルを別の細胞にマッセレーション(浸漬)し、それをスライド上に広げて、広い範囲をカバーする顕微鏡で撮影し、数千個の細胞を捕獲する。
しかし、これらの細胞はしばしば画像に集合し重なり合い、標準的な画像処理手法でセグメンテーションを困難にし、時間がかかる。
結果: 本研究は, 1段階のyolov8モデルを用いて, 高速かつ高精度な繊維と血管のセグメンテーションと顕微鏡画像のキャラクタリゼーションを行う, ディープラーニングの自動セグメンテーション手法を開発した。
このモデルは32640 x 25920ピクセルの画像を分析し、有効な細胞検出とセグメンテーションを示し、mAP_0.5-0.95の78 %を達成する。
モデルの堅牢性を評価するため,より長い繊維で知られる遺伝子組換え木の繊維について検討した。
結果は以前の手動測定に匹敵するものだった。
さらに、画像解析のためのユーザフレンドリーなWebアプリケーションを作成し、Google Colabで使用するコードを提供しました。
結論: この研究は, YOLOv8の進歩を活用することで, 実用に適した木材細胞の効率的な定量化と解析を可能にする, ディープラーニングソリューションを提供する。
関連論文リスト
- 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) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳(メタデータ) (2023-10-16T13:58:53Z) - The Multi-modality Cell Segmentation Challenge: Towards Universal
Solutions [31.008823523291284]
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。
論文 参考訳(メタデータ) (2023-08-10T21:59:23Z) - 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) - 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) - 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) - 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) - Multiclass Yeast Segmentation in Microstructured Environments with Deep
Learning [20.456742449675904]
我々は、個々の酵母細胞の多クラスセグメンテーションのために訓練された畳み込みニューラルネットワークを提案する。
本手法は, 微構造環境下での酵母のセグメンテーションへの寄与を, 典型的な合成生物学的応用で示す。
論文 参考訳(メタデータ) (2020-11-16T16:16:13Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z) - 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。