論文の概要: Segmentation and Characterization of Macerated Fibers and Vessels Using Deep Learning
- arxiv url: http://arxiv.org/abs/2401.16937v2
- Date: Tue, 18 Jun 2024 11:02:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-20 04:34:53.939551
- Title: Segmentation and Characterization of Macerated Fibers and Vessels Using Deep Learning
- Title（参考訳）: 深層学習による焼成繊維・容器の分別と特性評価
- Authors: Saqib Qamar, Abu Imran Baba, Stéphane Verger, Magnus Andersson,
- Abstract要約: 木製顕微鏡画像の自動深層学習セグメンテーション手法を開発した。
このモデルは32,640×25,920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。
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す。
- 参考スコア（独自算出の注目度）: 0.48748194765816943
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wood comprises different cell types, such as fibers, tracheids and vessels, defining its properties. Studying cells' shape, size, and arrangement in microscopy images is crucial for understanding wood characteristics. 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. In this work, we developed an automatic deep learning segmentation approach that utilizes the one-stage YOLOv8 model for fast and accurate segmentation and characterization of macerated fiber and vessel form aspen trees in microscopy images. The model can analyze 32,640 x 25,920 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. 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）: 木材は繊維、気管、血管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。
顕微鏡画像における細胞の形態,サイズ,配列を観察することは,木材の特性を理解する上で重要である。
通常は、溶液中のサンプルを浸漬して細胞を分離し、それを顕微鏡で撮影するためにスライド上に広げ、数千の細胞を捕獲する。
しかし、これらのセルはしばしば画像のクラスタ化と重なり合うため、分割が困難で、標準の画像処理手法による時間を要する。
本研究では,1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32,640 x 25,920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。
YOLOv8の進歩を活用して、本研究は、実用に適した木材細胞の効率的な定量化と分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
- 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) - Histopathological Image Classification with Cell Morphology Aware Deep Neural Networks [11.749248917866915]
本稿では,細胞形態を学習し,多数のがんタイプを同定するために事前訓練した新しいDeepCMorphモデルを提案する。
7175例の8736例の診断スライドから抽出した270K以上の組織パッチからなるPan-Cancer TCGAデータセット上で,本モジュールを事前訓練した。
提案手法は, 82%以上の精度で32種類の癌を検出でき, 従来提案されていたすべてのソリューションを4%以上上回る性能を示した。
論文 参考訳（メタデータ） (2024-07-11T16:03:59Z) - 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) - Automating Wood Species Detection and Classification in Microscopic
Images of Fibrous Materials with Deep Learning [1.231476564107544]
本研究は, マス化木材の大規模画像データセットを体系的に生成する手法を開発した。
これは、深層学習による繊維質材料の顕微鏡像における硬材種の同定を初めて自動化するための、実質的なアプローチの基礎である。
論文 参考訳（メタデータ） (2023-07-18T19:51:28Z) - 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) - Contrastive Learning for Mitochondria Segmentation [42.800475494933146]
本稿では,ミトコンドリアのセグメンテーションを改善するために,より優れた特徴表現をハードケースから学習するための新しいコントラスト学習フレームワークを提案する。
We show the effective of our method on MitoEM dataset and as FIB-SEM dataset and showed better or on as the state-of-the-art results。
論文 参考訳（メタデータ） (2021-09-25T13:15:26Z) - 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) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z) - 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。