論文の概要: Enhancing AI microscopy for foodborne bacterial classification via adversarial domain adaptation across optical and biological variability

• arxiv url: http://arxiv.org/abs/2411.19514v1
• Date: Fri, 29 Nov 2024 07:12:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:21:17.562076
• Title: Enhancing AI microscopy for foodborne bacterial classification via adversarial domain adaptation across optical and biological variability
• Title（参考訳）: 食品由来細菌分類のためのAI顕微鏡の光学的および生物学的多様性における逆境領域適応による拡張
• Authors: Siddhartha Bhattacharya, Aarham Wasit, Mason Earles, Nitin Nitin, Luyao Ma, Jiyoon Yi,
• Abstract要約: 本研究は, 対向領域適応を用いた細菌分類のためのAI対応顕微鏡の一般化可能性を高める。 効率的なNetV2はバックボーンアーキテクチャとして機能し、小さなターゲットに対してきめ細かい機能を抽出した。 ドメイン・アドバイザリ・ニューラルネットワーク(DANN)が単一のドメインに対処し、MDANN(Multi-DANN)がすべてのターゲットドメインにまたがって一般化された。
• 参考スコア（独自算出の注目度）: 0.18849131083278736
• License:
• Abstract: Rapid detection of foodborne bacteria is critical for food safety and quality, yet traditional culture-based methods require extended incubation and specialized sample preparation. This study addresses these challenges by i) enhancing the generalizability of AI-enabled microscopy for bacterial classification using adversarial domain adaptation and ii) comparing the performance of single-target and multi-domain adaptation. Three Gram-positive (Bacillus coagulans, Bacillus subtilis, Listeria innocua) and three Gram-negative (E. coli, Salmonella Enteritidis, Salmonella Typhimurium) strains were classified. EfficientNetV2 served as the backbone architecture, leveraging fine-grained feature extraction for small targets. Few-shot learning enabled scalability, with domain-adversarial neural networks (DANNs) addressing single domains and multi-DANNs (MDANNs) generalizing across all target domains. The model was trained on source domain data collected under controlled conditions (phase contrast microscopy, 60x magnification, 3-h bacterial incubation) and evaluated on target domains with variations in microscopy modality (brightfield, BF), magnification (20x), and extended incubation to compensate for lower resolution (20x-5h). DANNs improved target domain classification accuracy by up to 54.45% (20x), 43.44% (20x-5h), and 31.67% (BF), with minimal source domain degradation (<4.44%). MDANNs achieved superior performance in the BF domain and substantial gains in the 20x domain. Grad-CAM and t-SNE visualizations validated the model's ability to learn domain-invariant features across diverse conditions. This study presents a scalable and adaptable framework for bacterial classification, reducing reliance on extensive sample preparation and enabling application in decentralized and resource-limited environments.
• Abstract（参考訳）: 食品中の細菌の迅速検出は、食品の安全性と品質にとって重要であるが、伝統的な培養法では、拡大培養と特殊な試料の調製が必要である。 本研究はこれらの課題に対処する。 一 対向領域適応及び細菌分類のためのAI対応顕微鏡の一般化可能性の向上 二 シングルターゲット及びマルチドメイン適応の性能を比較すること。 グラム陽性菌(Bacillus coagulans, Bacillus subtilis, Listeria innocua)3株とグラム陰性菌(E. coli, Salmonella Enteritidis, Salmonella Typhimurium)3株を分離した。 効率的なNetV2はバックボーンアーキテクチャとして機能し、小さなターゲットに対してきめ細かい機能を抽出した。 ドメイン・アドバイザリ・ニューラルネットワーク(DANN)が単一のドメインに対処し、MDANN(Multi-DANN)がすべてのターゲットドメインにまたがって一般化された。 制御条件下で採取したソースドメインデータ(位相コントラスト顕微鏡,60x倍率,3h菌インキュベーション)をトレーニングし,低分解能 (20x-5h) を補正するための拡張インキュベーション(20x-5h) と微視的モダリティ (Brightfield, BF), 倍率 (20x), 拡張インキュベーション (20x-5h) の異なるターゲットドメインで評価した。 DANNは目標ドメイン分類精度を54.45%(20x)、43.44%(20x-5h)、31.67%(BF)まで改善し、ソースドメインの劣化を最小限に抑えた(4.44%)。 MDANNはBFドメインでは優れた性能を示し、20倍ドメインでは大幅に向上した。 Grad-CAMとt-SNEの視覚化は、さまざまな条件でドメイン不変の特徴を学習するモデルの能力を検証した。 本研究は、細菌分類のためのスケーラブルで適応可能なフレームワークを提案し、広範囲な試料調製への依存を減らし、分散化および資源限定環境における適用を可能にした。

関連論文リスト

• From Web Data to Real Fields: Low-Cost Unsupervised Domain Adaptation for Agricultural Robots [3.7619101673213664]
  本稿では,Unsupervised Domain Adaptation (UDA) を用いて,特定分野への適応を低コストで行うことを目的とする。 我々は、多様なインターネットソースデータのプールから、特定の場所でロボットが収集した小さなデータセットへの、新たなドメインシフトを探求する。 我々は,マルチレベル注意に基づく適応識別器(MAAD)という新しいモジュールを導入し,任意の検出モデルの特徴抽出器レベルで統合する。
  論文  参考訳（メタデータ） (2024-10-31T13:11:09Z)
• An Uncertainty-guided Tiered Self-training Framework for Active Source-free Domain Adaptation in Prostate Segmentation [10.061310311839856]
  Source-free Domain Adaptation (SFDA)は、プライバシとセキュリティ上の問題に対処するために、深いセグメンテーションモデルを適用するための有望なテクニックである。 安定したドメイン適応を実現するための新しい不確実性誘導型自己学習(UGTST)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-03T08:13:16Z)
• PathoLM: Identifying pathogenicity from the DNA sequence through the Genome Foundation Model [9.285895422810704]
  PathoLMは、細菌およびウイルス配列の病原性の同定に最適化された最先端の病原体言語モデルである。 ESKAPEE病原体を含む約30種のウイルスと細菌からなる包括的データセットを開発した。 比較評価では、PathoLMはDciPathoのような既存のモデルよりも劇的に優れており、堅牢なゼロショットと少数ショット機能を示している。
  論文  参考訳（メタデータ） (2024-06-19T00:53:48Z)
• Predicting Single-cell Drug Sensitivity by Adaptive Weighted Feature for Adversarial Multi-source Domain Adaptation [9.043161950476055]
  scAdaDrugはシングルセル薬物感受性を予測するマルチソース適応重み付けモデルである。 本モデルでは, 肝細胞, 細胞株, 患者データセットに対する薬剤感受性の予測において, 最先端の性能を達成した。
  論文  参考訳（メタデータ） (2024-03-08T12:31:03Z)
• Evaluation of Activated Sludge Settling Characteristics from Microscopy Images with Deep Convolutional Neural Networks and Transfer Learning [7.636901972162706]
  本研究では, 活性汚泥沈降特性を評価するために, コンピュータビジョンに基づく革新的な手法を提案する。 深層畳み込みニューラルネットワーク(CNN)モデルの伝達学習の実装により,既存の定量的画像解析技術の限界を克服することを目的とした。 Inception v3, ResNet18, ResNet152, ConvNeXt-nano, ConvNeXt-S などのCNNアーキテクチャを用いて, 汚泥沈降特性の評価を行った。
  論文  参考訳（メタデータ） (2024-02-14T18:13:37Z)
• How Well Does GPT-4V(ision) Adapt to Distribution Shifts? A Preliminary Investigation [90.93999543169296]
  GPT-4Vは最も先進的な多モード基盤モデルとして機能する。 本研究は, GPT-4Vの動的環境における適応性と一般化能力について, 厳密に評価する。
  論文  参考訳（メタデータ） (2023-12-12T16:48:07Z)
• Source-free Domain Adaptation Requires Penalized Diversity [60.04618512479438]
  ソースデータがない場合、異なるドメイン間の知識伝達に対処するために、ソースフリードメイン適応(SFDA)が導入された。 教師なしのFDAでは、多様性はソース上の1つの仮説を学習するか、共有された特徴抽出器で複数の仮説を学習することに限定される。 本稿では,異なる特徴抽出器を用いて表現多様性を促進する新しい無教師付きSFDAアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-06T00:20:19Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)
• MineGAN++: Mining Generative Models for Efficient Knowledge Transfer to Limited Data Domains [77.46963293257912]
  本稿では,特定の対象領域に最も有益である知識をマイニングした生成モデルのための新しい知識伝達手法を提案する。 これは、各事前訓練されたGANの生成分布のどの部分が対象領域に最も近いサンプルを出力しているかを識別するマイカネットワークを用いて行われる。 提案手法はMineGANと呼ばれ,ターゲット画像が少ない領域に効果的に知識を伝達し,既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-28T13:10:56Z)

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。