Fugu-MT 論文翻訳(概要): Automated Classification of Cell Shapes: A Comparative Evaluation of Shape Descriptors

論文の概要: Automated Classification of Cell Shapes: A Comparative Evaluation of Shape Descriptors

arxiv url: http://arxiv.org/abs/2411.00561v1
Date: Fri, 01 Nov 2024 13:19:53 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-05 14:46:24.087098
Title: Automated Classification of Cell Shapes: A Comparative Evaluation of Shape Descriptors
Title（参考訳）: 細胞形状の自動分類:形状記述子の比較評価
Authors: Valentina Vadori, Antonella Peruffo, Jean-Marie Graïc, Livio Finos, Enrico Grisan,
Abstract要約: 本研究は、ノイズのある輪郭から細胞形状を分類することの課題に対処する。形状分類のための各種特徴量の評価を行った。本研究の目的は,細胞形態を分類するための記述子を包括的に評価することである。
参考スコア（独自算出の注目度）: 0.20971479389679332
License:
Abstract: This study addresses the challenge of classifying cell shapes from noisy contours, such as those obtained through cell instance segmentation of histological images. We assess the performance of various features for shape classification, including Elliptical Fourier Descriptors, curvature features, and lower dimensional representations. Using an annotated synthetic dataset of noisy contours, we identify the most suitable shape descriptors and apply them to a set of real images for qualitative analysis. Our aim is to provide a comprehensive evaluation of descriptors for classifying cell shapes, which can support cell type identification and tissue characterization-critical tasks in both biological research and histopathological assessments.
Abstract（参考訳）: 本研究は, 組織像のセル・インスタンス・セグメンテーションによって得られたような, ノイズのある輪郭から細胞形状を分類することの課題に対処するものである。楕円フーリエ記述子,曲率特徴,低次元表現など,形状分類のための様々な特徴の評価を行った。ノイズのある輪郭の注釈付き合成データセットを用いて,最も適切な形状記述子を同定し,実画像に適用して定性解析を行う。本研究の目的は, 細胞形態を分類するための記述子を包括的に評価することであり, 生物学的研究と病理組織学的評価の両方において, 細胞型同定と組織特性クリティカルなタスクを支援することにある。

関連論文リスト

An Interpretable Deep Learning Approach for Morphological Script Type Analysis [15.142597136864618]
本稿では,形態素スクリプト型解析に対する解釈可能な深層学習手法を提案する。より正確には、我々は同等の文字のプロトタイプを学ぶために、ディープ・インスタンス・セグメンテーション法を適用する。我々は、A. Derolez が定式化した Textualis Formata スクリプトタイプとその2つのサブタイプに適用することで、我々のアプローチを実証する。
論文参考訳（メタデータ） (2024-08-20T19:15:06Z)
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)
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)
Multiscale Analysis for Improving Texture Classification [62.226224120400026]
本稿では,テクスチャの異なる空間周波数帯域を別々に扱うために,ガウス・ラプラシアピラミッドを用いる。バイオインスパイアされたテクスチャ記述子,情報理論測度,灰色レベルの共起行列特徴,ハリリック統計特徴から抽出した特徴を特徴ベクトルに集約した。
論文参考訳（メタデータ） (2022-04-21T01:32:22Z)
Multi-Class Cell Detection Using Spatial Context Representation [23.542218679448624]
デジタル病理学では、細胞の自動診断および予後タスクにおいて、細胞の検出と分類の両方が重要である。既存の方法は、個々の細胞の形態学的外観に焦点をあてるが、実際は、病理学者は、しばしばその空間的文脈を通して細胞クラスを推測する。本研究では,空間的文脈情報を明示的に組み込んだ検出と分類のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-10-10T19:54:40Z)
Feasibility of Haralick's Texture Features for the Classification of Chromogenic In-situ Hybridization Images [0.0]
2次テクスチャ特徴は、色原性インサイトハイブリダイゼーション画像データの分類と解析に有効な選択肢である。 Haralickの特徴は, 発色性in-situハイブリダイゼーション画像データの分類と解析に有効な選択肢である。
論文参考訳（メタデータ） (2021-07-01T06:18:40Z)
Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
論文参考訳（メタデータ） (2021-05-01T13:19:02Z)
A Novel Bio-Inspired Texture Descriptor based on Biodiversity and Taxonomic Measures [81.08571247838206]
種多様性と豊かさと分類学的特有性を通して、多様なパターンの複雑なシステムを定量化できる新しいアプローチを提案する。提案手法は,各画像チャネルを種生態系とみなし,種多様性と豊かさの度合いを計算し,テクスチャを記述するための分類学的尺度である。
論文参考訳（メタデータ） (2021-02-13T20:14:14Z)
Sickle-cell disease diagnosis support selecting the most appropriate machinelearning method: Towards a general and interpretable approach for cellmorphology analysis from microscopy images [0.0]
本稿では,最先端技術に基づく分類手法と特徴の選択手法を提案する。当科では,他の研究例に応用できる病原体疾患のサンプルを用いて検討した。
論文参考訳（メタデータ） (2020-10-09T11:46:38Z)
Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
論文参考訳（メタデータ） (2020-10-07T08:44:21Z)
Cross-stained Segmentation from Renal Biopsy Images Using Multi-level Adversarial Learning [13.30545860115548]
クロスステンドセグメンテーションのための堅牢で柔軟なモデルを設計する。対象の染色画像のセグメンテーション性能を改善し、ラベルなしデータを用いてラベル付きデータと類似の精度を実現する。
論文参考訳（メタデータ） (2020-02-20T06:49:48Z)

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。