論文の概要: Microplastic Identification Using AI-Driven Image Segmentation and GAN-Generated Ecological Context

• arxiv url: http://arxiv.org/abs/2410.19604v1
• Date: Fri, 25 Oct 2024 14:57:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:35:49.327199
• Title: Microplastic Identification Using AI-Driven Image Segmentation and GAN-Generated Ecological Context
• Title（参考訳）: AI駆動画像セグメンテーションとGAN生成生態コンテキストを用いた微小塑性同定
• Authors: Alex Dils, David Raymond, Jack Spottiswood, Samay Kodige, Dylan Karmin, Rikhil Kokal, Win Cowger, Chris Sadée,
• Abstract要約: 試料中のマイクロプラスチックの同定法は費用がかかり、専門家による分析が必要である。 顕微鏡画像中のマイクロプラスチックを自動的に識別する深層学習セグメンテーションモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.09636431845459936
• License:
• Abstract: Current methods for microplastic identification in water samples are costly and require expert analysis. Here, we propose a deep learning segmentation model to automatically identify microplastics in microscopic images. We labeled images of microplastic from the Moore Institute for Plastic Pollution Research and employ a Generative Adversarial Network (GAN) to supplement and generate diverse training data. To verify the validity of the generated data, we conducted a reader study where an expert was able to discern the generated microplastic from real microplastic at a rate of 68 percent. Our segmentation model trained on the combined data achieved an F1-Score of 0.91 on a diverse dataset, compared to the model without generated data's 0.82. With our findings we aim to enhance the ability of both experts and citizens to detect microplastic across diverse ecological contexts, thereby improving the cost and accessibility of microplastic analysis.
• Abstract（参考訳）: 試料中のマイクロプラスチックの同定法は費用がかかり、専門家による分析が必要である。 本稿では,顕微鏡画像中のマイクロプラスチックを自動的に識別する深層学習セグメンテーションモデルを提案する。 ムーアプラスチック汚染研究所からマイクロプラスチックのイメージをラベル付けし,GAN(Generative Adversarial Network)を用いて多様なトレーニングデータを補完・生成した。 生成したデータの有効性を検証するため,専門家が生成したマイクロプラスチックを実際のマイクロプラスチックから68%の速度で識別できる読者調査を行った。 組み合わせデータに基づいてトレーニングしたセグメンテーションモデルは、生成データ0.82のモデルと比較して、多様なデータセット上でF1スコア0.91を達成した。 本研究の目的は,様々な生態学的文脈において,専門家と市民の両方がマイクロプラスチックを検出する能力を高め,マイクロプラスチック分析のコストとアクセシビリティを向上させることである。

関連論文リスト

• CryoFM: A Flow-based Foundation Model for Cryo-EM Densities [50.291974465864364]
  生成モデルとして設計された基礎モデルであるCryoFMについて,高品質密度マップの分布を学習する。 フローマッチングに基づいて構築されたCryoFMは、生物分子密度マップの以前の分布を正確に捉えるために訓練されている。
  論文  参考訳（メタデータ） (2024-10-11T08:53:58Z)
• Morphological Detection and Classification of Microplastics and Nanoplastics Emerged from Consumer Products by Deep Learning [1.21387493410444]
  プラスチック汚染は世界的な問題となり、健康や環境システムに影響を及ぼす。 これらの汚染物質を研究する伝統的な方法は、労働集約的で時間を要する。 本稿では,マイクロ・ナノプラスチックの自動検出と分類を目的とした,新しいオープンソースデータセットであるMiNaとマイクロ・ナノプラスチックについて紹介する。
  論文  参考訳（メタデータ） (2024-09-20T17:56:25Z)
• Accelerating Domain-Aware Electron Microscopy Analysis Using Deep Learning Models with Synthetic Data and Image-Wide Confidence Scoring [0.0]
  我々は物理に基づく合成画像とデータ生成装置を作成し、その結果、同等の精度(0.86)、リコール(0.63)、F1スコア(0.71)、エンジニアリング特性予測(R2=0.82)を実現する機械学習モデルを得た。 本研究は,合成データがMLの人間依存を排除し,画像毎に多くの特徴を検出する必要がある場合に,ドメイン認識の手段を提供することを示す。
  論文  参考訳（メタデータ） (2024-08-02T20:15:15Z)
• 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)
• GANsemble for Small and Imbalanced Data Sets: A Baseline for Synthetic Microplastics Data [2.307414552248669]
  本稿では,データ拡張と条件付き生成逆数ネットワーク(cGAN)を接続し,クラス条件付き合成データを生成するフレームワークであるGANsembleを提案する。 我々の知る限り、この研究は、人工的にマイクロプラスチックデータを作成するための生成AIの最初の応用である。
  論文  参考訳（メタデータ） (2024-04-10T21:23:13Z)
• 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)
• 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)
• Machine Learning of polymer types from the spectral signature of Raman spectroscopy microplastics data [3.441021278275805]
  環境風化因子によって劣化したマイクロプラスチックは、風化過程に曝されていないマイクロプラスチックのサンプルよりも分析的確実性が少ない可能性がある。 機械学習ツールと技術は、マイクロプラスチック分析における確実性のための研究ツールのキャリブレーションを向上します。
  論文  参考訳（メタデータ） (2022-01-14T13:34:03Z)
• 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)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)

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。