論文の概要: On machine learning analysis of atomic force microscopy images for image classification, sample surface recognition
- arxiv url: http://arxiv.org/abs/2403.16230v1
- Date: Sun, 24 Mar 2024 16:48:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 16:56:25.759288
- Title: On machine learning analysis of atomic force microscopy images for image classification, sample surface recognition
- Title（参考訳）: 原子間力顕微鏡による画像分類・試料表面認識のための機械学習解析
- Authors: Igor Sokolov,
- Abstract要約: 原子間力顕微鏡(AFM)イメージングは、顕微鏡技術の中で機械学習(ML)分析に最も適している。
説明されたアプローチは、すでに生物学的細胞の表面の分析と分類に成功している。
医学的画像、特定の材料処理、法医学的な研究、さらには芸術の真正性を識別するために応用することができる。
- 参考スコア（独自算出の注目度）: 2.356908851188234
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Atomic force microscopy (AFM or SPM) imaging is one of the best matches with machine learning (ML) analysis among microscopy techniques. The digital format of AFM images allows for direct utilization in ML algorithms without the need for additional processing. Additionally, AFM enables the simultaneous imaging of distributions of over a dozen different physicochemical properties of sample surfaces, a process known as multidimensional imaging. While this wealth of information can be challenging to analyze using traditional methods, ML provides a seamless approach to this task. However, the relatively slow speed of AFM imaging poses a challenge in applying deep learning methods broadly used in image recognition. This Prospective is focused on ML recognition/classification when using a relatively small number of AFM images, small database. We discuss ML methods other than popular deep-learning neural networks. The described approach has already been successfully used to analyze and classify the surfaces of biological cells. It can be applied to recognize medical images, specific material processing, in forensic studies, even to identify the authenticity of arts. A general template for ML analysis specific to AFM is suggested, with a specific example of the identification of cell phenotype. Special attention is given to the analysis of the statistical significance of the obtained results, an important feature that is often overlooked in papers dealing with machine learning. A simple method for finding statistical significance is also described.
- Abstract（参考訳）: 原子間力顕微鏡(AFMまたはSPM)イメージングは、顕微鏡技術の中でも機械学習(ML)分析に最適である。
AFM画像のデジタルフォーマットは、追加処理を必要とせずにMLアルゴリズムで直接利用することができる。
さらに、AFMはサンプル表面の12以上の異なる物理化学的性質の分布を同時に撮像することができる。
この豊富な情報は従来の手法で分析することは難しいが、MLはこのタスクに対してシームレスなアプローチを提供する。
しかし、AFM画像の比較的遅い速度は、画像認識に広く使われているディープラーニング手法を適用する上での課題となっている。
このProspectiveは、比較的少数のAFMイメージ、小さなデータベースを使用する場合、ML認識/分類に重点を置いている。
本稿では,一般的なディープラーニングニューラルネットワーク以外のML手法について論じる。
説明されたアプローチは、すでに生物学的細胞の表面の分析と分類に成功している。
医学的画像、特定の材料処理、法医学的な研究、さらには芸術の真正性を識別するために応用することができる。
AFMに特異的なML解析のための一般的なテンプレートが提案されている。
得られた結果の統計的意義の分析には特に注意が払われるが、これは機械学習を扱う論文でしばしば見過ごされる重要な特徴である。
統計的意義を見出すための簡単な方法についても述べる。
関連論文リスト
- MedFLIP: Medical Vision-and-Language Self-supervised Fast Pre-Training with Masked Autoencoder [26.830574964308962]
本稿では,医療分析のための高速言語画像事前学習手法であるMedFLIPを紹介する。
交差ドメインを用いたゼロショット学習のためのMAEを探索し、限られたデータから学習するモデルの能力を向上する。
最後に,医療画像解析におけるゼロショット性能の向上を言語を用いて検証する。
論文 参考訳（メタデータ） (2024-03-07T16:11:43Z) - Capability enhancement of the X-ray micro-tomography system via
ML-assisted approaches [0.8999666725996978]
X線マイクロCT画像におけるリングアーティファクトは、その正確な視覚的解釈と定量的解析における主要な原因の1つである。
本稿では、UNetにインスパイアされた畳み込みニューラルネットワーク(CNN)ベースのディープラーニング(DL)モデルと、リングアーティファクトを除去するためのスキップ接続を備えた一連のエンコーダとデコーダユニットを提案する。
論文 参考訳（メタデータ） (2024-02-08T14:23:24Z) - 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) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - 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) - Automatically Predict Material Properties with Microscopic Image Example
Polymer Compatibility [94.40113383292139]
機械学習を用いたコンピュータ画像認識は、人工判定の欠陥を補うことができる。
畳み込みニューラルネットワークとトランスファーラーニング手法を用いて、自動誤認認識を実現する。
提案手法は, 各種材料の微細構造と物性の定量的評価に広く応用できる。
論文 参考訳（メタデータ） (2023-03-22T07:51:32Z) - 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) - Unsupervised Anomaly Detection in MR Images using Multi-Contrast
Information [3.7273619690170796]
医用画像における異常検出は、疾患の関連バイオマーカーを正常な組織と区別することである。
深い教師付き学習手法は様々な検出課題に有意な可能性があるが、その性能は医療画像分野では限られている。
本稿では,マルチコントラストMRIにおける画素ワイド異常検出のための教師なし学習フレームワークを開発した。
論文 参考訳（メタデータ） (2021-05-02T13:05:36Z) - Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。
このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
論文 参考訳（メタデータ） (2021-02-07T19:12:32Z) - A Multi-stream Convolutional Neural Network for Micro-expression
Recognition Using Optical Flow and EVM [7.511596258731931]
マイクロ・エクスプレッション(ME)の認識は、特に公共の安全や心理療法において、幅広い応用において重要な役割を担っている。
近年,従来の手法は機械学習設計に過度に依存しており,その実用化に十分な認識率は得られていない。
本稿では,ME認識のためのマルチストリーム畳み込みニューラルネットワーク(MSCNN)を設計する。
論文 参考訳（メタデータ） (2020-11-07T11:28:53Z) - Machine learning for faster and smarter fluorescence lifetime imaging
microscopy [16.519888238537003]
蛍光寿命顕微鏡(FLIM)は生体医学研究において強力な技術である。
現在、FLIMの計算、解析、解釈は複雑で遅く、計算に費用がかかるプロセスである。
機械学習(ML)技術は多次元FLIMデータセットから計測を抽出し解釈するのに適している。
論文 参考訳（メタデータ） (2020-08-05T18:59:36Z)
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。