論文の概要: Virtual Gram staining of label-free bacteria using darkfield microscopy and deep learning

• arxiv url: http://arxiv.org/abs/2407.12337v1
• Date: Wed, 17 Jul 2024 06:28:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-18 18:17:30.658825
• Title: Virtual Gram staining of label-free bacteria using darkfield microscopy and deep learning
• Title（参考訳）: 暗視野顕微鏡と深層学習を用いたラベルフリー細菌のバーチャルグラム染色
• Authors: Cagatay Isil, Hatice Ceylan Koydemir, Merve Eryilmaz, Kevin de Haan, Nir Pillar, Koray Mentesoglu, Aras Firat Unal, Yair Rivenson, Sukantha Chandrasekaran, Omai B. Garner, Aydogan Ozcan,
• Abstract要約: グラム染色は微生物学で1世紀以上にわたって最も頻繁に使われている染色プロトコルの1つである。 本稿では,学習したディープニューラルネットワークを用いたラベルのない細菌の仮想グラム染色について紹介する。
• 参考スコア（独自算出の注目度）: 4.731138009868436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gram staining has been one of the most frequently used staining protocols in microbiology for over a century, utilized across various fields, including diagnostics, food safety, and environmental monitoring. Its manual procedures make it vulnerable to staining errors and artifacts due to, e.g., operator inexperience and chemical variations. Here, we introduce virtual Gram staining of label-free bacteria using a trained deep neural network that digitally transforms darkfield images of unstained bacteria into their Gram-stained equivalents matching brightfield image contrast. After a one-time training effort, the virtual Gram staining model processes an axial stack of darkfield microscopy images of label-free bacteria (never seen before) to rapidly generate Gram staining, bypassing several chemical steps involved in the conventional staining process. We demonstrated the success of the virtual Gram staining workflow on label-free bacteria samples containing Escherichia coli and Listeria innocua by quantifying the staining accuracy of the virtual Gram staining model and comparing the chromatic and morphological features of the virtually stained bacteria against their chemically stained counterparts. This virtual bacteria staining framework effectively bypasses the traditional Gram staining protocol and its challenges, including stain standardization, operator errors, and sensitivity to chemical variations.
• Abstract（参考訳）: グラム染色は微生物学において1世紀以上にわたって最も頻繁に用いられてきた染色プロトコルの1つであり、診断、食品安全性、環境モニタリングなど様々な分野で利用されている。 その手作業の手順は、例えば、操作者の経験不足と化学変化のために、スタイリングエラーやアーティファクトに弱い。 そこで我々は, 学習した深層ニューラルネットワークを用いて, 非安定な細菌の暗視野画像を, 明るい視野のコントラストに適合したグラム染色にデジタル変換する, ラベルのない細菌の仮想グラム染色を導入する。 1回のトレーニング作業の後、仮想グラマー染色モデルは、ラベルのない細菌(これまで見たことのない)の軸方向の暗視野顕微鏡画像を処理し、グラマー染色を迅速に生成し、従来の染色プロセスに関わるいくつかの化学的ステップをバイパスする。 本研究は, グラム染色モデルの染色精度を定量化し, 事実上染色された細菌の着色性および形態的特徴を化学染色した細菌と比較することにより, 大腸菌とリステリアを含む無菌菌株に対する仮想グラム染色ワークフローの成功を実証した。 この仮想細菌染色フレームワークは、従来のグラム染色プロトコルとその課題を効果的に回避する。

関連論文リスト

• Single color virtual H&E staining with In-and-Out Net [0.8271394038014485]
  本稿では,仮想染色タスクに特化して設計された新しいネットワークIn-and-Out Netを提案する。 我々はGAN(Generative Adversarial Networks)に基づいて,反射共焦点顕微鏡(RCM)画像からヘマトキシリンおよびエオシン染色画像へ効率的に変換する。
  論文  参考訳（メタデータ） (2024-05-22T01:17:27Z)
• Virtual birefringence imaging and histological staining of amyloid deposits in label-free tissue using autofluorescence microscopy and deep learning [4.074521061733491]
  コンゴ赤染色(コンゴ赤し、英: Congo red stain)は、組織におけるアミロイド鉱床の可視化のための金標準化学染色である。 単一のトレーニングされたニューラルネットワークは、ラベルのない組織セクションの自己蛍光画像を、明視野および偏光顕微鏡等価画像に変換することができる。
  論文  参考訳（メタデータ） (2024-03-14T04:48:06Z)
• BiomedJourney: Counterfactual Biomedical Image Generation by Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
  本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。 我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。 得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
  論文  参考訳（メタデータ） (2023-10-16T18:59:31Z)
• Digital staining in optical microscopy using deep learning -- a review [47.86254766044832]
  デジタル染色は、光学的コントラストから実際の染色の確立された生化学的コントラストへの翻訳に近代的な深層学習を利用するための有望な概念として登場した。 この分野の現状を詳細に分析し、優れた実践方法を提案し、落とし穴と課題を特定し、将来の実装やアプリケーションに向けた将来的な進歩を仮定する。
  論文  参考訳（メタデータ） (2023-03-14T15:23:48Z)
• Unsupervised Deep Digital Staining For Microscopic Cell Images Via Knowledge Distillation [46.006296303296544]
  大規模にステンド/アンステンディングされたセルイメージペアを実際に取得することは困難である。 本稿では,セル画像のデジタル染色のための新しい教師なしディープラーニングフレームワークを提案する。 提案手法は, より正確な位置と形状の染色画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2023-03-03T16:26:38Z)
• 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)
• Deep Learning-enabled Virtual Histological Staining of Biological Samples [2.446672595462589]
  組織染色は臨床病理学および生命科学研究における組織検査における金の標準である。 現在の組織学的染色のワークフローには、退屈なサンプル準備ステップ、特別な実験施設、および訓練された組織学者が必要である。 深層学習技術は、組織染色をデジタル的に生成することで染色法に革命をもたらす新たな機会を生み出した。
  論文  参考訳（メタデータ） (2022-11-13T05:31:47Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)
• Pix2Pix-based Stain-to-Stain Translation: A Solution for Robust Stain Normalization in Histopathology Images Analysis [5.33024001730262]
  Stain-to-Stain Translation (STST) はヘマトキシリンおよびエオシン染色組織像の正常化に用いられている。 条件付きジェネレータ対向ネットワーク(cGAN)を用いたピクス2ピクセルフレームワークに基づく翻訳処理を行う。
  論文  参考訳（メタデータ） (2020-02-03T11:19:01Z)

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。