論文の概要: The Berkeley Single Cell Computational Microscopy (BSCCM) Dataset
- arxiv url: http://arxiv.org/abs/2402.06191v1
- Date: Fri, 9 Feb 2024 05:10:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 17:52:41.799774
- Title: The Berkeley Single Cell Computational Microscopy (BSCCM) Dataset
- Title（参考訳）: Berkeley Single Cell Computational Microscopy (BSCCM) データセット
- Authors: Henry Pinkard, Cherry Liu, Fanice Nyatigo, Daniel A. Fletcher, Laura
Waller
- Abstract要約: 本稿では,バークレー単細胞顕微鏡データセットについて紹介する。
このデータセットには、40万個の白血球の12,000,000枚以上の画像が含まれている。
- 参考スコア（独自算出の注目度）: 1.53744306569115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational microscopy, in which hardware and algorithms of an imaging
system are jointly designed, shows promise for making imaging systems that cost
less, perform more robustly, and collect new types of information. Often, the
performance of computational imaging systems, especially those that incorporate
machine learning, is sample-dependent. Thus, standardized datasets are an
essential tool for comparing the performance of different approaches. Here, we
introduce the Berkeley Single Cell Computational Microscopy (BSCCM) dataset,
which contains over ~12,000,000 images of 400,000 of individual white blood
cells. The dataset contains images captured with multiple illumination patterns
on an LED array microscope and fluorescent measurements of the abundance of
surface proteins that mark different cell types. We hope this dataset will
provide a valuable resource for the development and testing of new algorithms
in computational microscopy and computer vision with practical biomedical
applications.
- Abstract（参考訳）: 計算顕微鏡(Computational microscopy)は、画像システムのハードウェアとアルゴリズムが共同で設計され、コストを低減し、より堅牢に機能し、新しいタイプの情報を集めることを約束する。
多くの場合、計算イメージングシステム、特に機械学習を組み込んだシステムの性能はサンプルに依存します。
したがって、標準化されたデータセットは、異なるアプローチのパフォーマンスを比較するための必須のツールである。
本稿では,バークレー・シングルセル計算顕微鏡(bsccm)データセットを紹介し,40万個の白血球の12,000,000枚以上の画像を含む。
このデータセットには、LEDアレイ顕微鏡上の複数の照明パターンで撮影された画像と、異なる細胞タイプを示す表面タンパク質の量の蛍光測定が含まれている。
我々は,このデータセットが,バイオメディカル応用による計算顕微鏡およびコンピュータビジョンにおける新しいアルゴリズムの開発とテストのための貴重なリソースとなることを願っている。
関連論文リスト
- Masked Autoencoders for Microscopy are Scalable Learners of Cellular Biology [2.7280901660033643]
本研究は、弱教師付き分類器と自己教師付きマスク付きオートエンコーダ(MAE)のスケーリング特性について検討する。
以上の結果から,ViTをベースとしたMAEは,様々なタスクにおいて弱い教師付き分類器よりも優れており,公的なデータベースから得られた既知の生物学的関係を思い出すと,11.5%の相対的な改善が達成されることがわかった。
我々は、異なる数のチャネルと順序の画像を推論時に入力できる新しいチャネルに依存しないMAEアーキテクチャ(CA-MAE)を開発した。
論文 参考訳（メタデータ） (2024-04-16T02:42:06Z) - 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) - The TYC Dataset for Understanding Instance-Level Semantics and Motions
of Cells in Microstructures [29.29348484938194]
組換え酵母細胞(TYC)データセットは、マイクロ構造中の細胞のインスタンスレベルのセマンティクスと運動を理解するための新しいデータセットである。
TYCは、これまで最大のデータセットであるセルやマイクロ構造を含む10倍のインスタンスアノテーションを提供する。
論文 参考訳（メタデータ） (2023-08-23T13:10:33Z) - 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) - 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) - 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) - Increasing a microscope's effective field of view via overlapped imaging
and machine learning [4.23935174235373]
この研究は、高効率自動検体分析のために単一のセンサー上で複数の独立した視野を重畳するマルチレンズ顕微鏡イメージングシステムを示す。
論文 参考訳（メタデータ） (2021-10-10T22:52:36Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - Learning Guided Electron Microscopy with Active Acquisition [8.181540928891913]
画像の単一ビームSEM取得を高速化し,最適化するためにディープラーニングを利用する方法を示す。
提案手法は,情報欠落画像を迅速に収集し,新しい学習法を適用し,高分解能で収集すべき画素のごく一部を識別する。
本稿では,神経生物学におけるコネクトロミックデータセットの収集作業を最大で1桁高速化することで,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-01-07T20:03:16Z) - 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) - 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)
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。