論文の概要: Sequence models for continuous cell cycle stage prediction from brightfield images
- arxiv url: http://arxiv.org/abs/2502.02182v1
- Date: Tue, 04 Feb 2025 09:57:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:59:00.436816
- Title: Sequence models for continuous cell cycle stage prediction from brightfield images
- Title(参考訳): 輝度場画像からの連続セルサイクルステージ予測のためのシーケンスモデル
- Authors: Louis-Alexandre Leger, Maxine Leonardi, Andrea Salati, Felix Naef, Martin Weigert,
- Abstract要約: 非蛍光光場イメージングを用いた連続的なFucci信号の予測のためのディープラーニング手法の評価を行った。
因果モデルと変圧器モデルの両方が単一フレームと固定フレームのアプローチよりも有意に優れていることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Understanding cell cycle dynamics is crucial for studying biological processes such as growth, development and disease progression. While fluorescent protein reporters like the Fucci system allow live monitoring of cell cycle phases, they require genetic engineering and occupy additional fluorescence channels, limiting broader applicability in complex experiments. In this study, we conduct a comprehensive evaluation of deep learning methods for predicting continuous Fucci signals using non-fluorescence brightfield imaging, a widely available label-free modality. To that end, we generated a large dataset of 1.3 M images of dividing RPE1 cells with full cell cycle trajectories to quantitatively compare the predictive performance of distinct model categories including single time-frame models, causal state space models and bidirectional transformer models. We show that both causal and transformer-based models significantly outperform single- and fixed frame approaches, enabling the prediction of visually imperceptible transitions like G1/S within 1h resolution. Our findings underscore the importance of sequence models for accurate predictions of cell cycle dynamics and highlight their potential for label-free imaging.
- Abstract(参考訳): 細胞周期のダイナミクスを理解することは、成長、発達、疾患の進行などの生物学的過程を研究するために重要である。
Fucciシステムのような蛍光タンパク質レポーターは、細胞周期の生中継を可能にするが、遺伝子工学を必要とし、さらに蛍光チャネルを占有し、複雑な実験で適用範囲を限定する。
本研究では,非蛍光光電場画像を用いた連続的なFucci信号の予測のためのディープラーニング手法の総合評価を行う。
そこで我々は, 単一時間フレームモデル, 因果状態空間モデル, 双方向トランスフォーマーモデルなど, 異なるモデルカテゴリの予測性能を定量的に比較するため, RPE1セルを全周期軌道で分割した1.3M画像の大規模なデータセットを作成した。
因果モデルと変圧器モデルの両方が単一フレームと固定フレームのアプローチを大きく上回り、1hの解像度でG1/Sのような視覚的に知覚できない遷移を予測できることを示す。
本研究は,細胞周期の動態を正確に予測するためのシーケンスモデルの重要性を強調し,ラベルフリーイメージングの可能性を強調した。
関連論文リスト
- Interpretable deep learning illuminates multiple structures fluorescence imaging: a path toward trustworthy artificial intelligence in microscopy [10.395551533758358]
本稿では,単一画像から2つの細胞構造を同時予測可能なディープラーニングフレームワークであるAdaptive Explainable Multi-Structure Network (AEMS-Net)を提案する。
AEMS-Netはミトコンドリアと微小管の相互作用をリアルタイムに記録することができ、従来のシーケンシャルチャネルイメージングの手順の半分しか必要としないことを示した。
論文 参考訳(メタデータ) (2025-01-09T07:36:28Z) - Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。
本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
論文 参考訳(メタデータ) (2024-07-16T14:05:03Z) - Practical Guidelines for Cell Segmentation Models Under Optical Aberrations in Microscopy [14.042884268397058]
本研究は,光収差下でのセル画像のセグメンテーションモデルについて,蛍光顕微鏡と光電場顕微鏡を用いて評価する。
ネットワークヘッドの異なるOstoしきい値法やMask R-CNNなどのセグメンテーションモデルをトレーニングし,テストする。
対照的に、Cellpose 2.0は同様の条件下で複雑な細胞画像に有効であることが証明されている。
論文 参考訳(メタデータ) (2024-04-12T15:45:26Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳(メタデータ) (2024-02-19T15:57:39Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - PhagoStat a scalable and interpretable end to end framework for
efficient quantification of cell phagocytosis in neurodegenerative disease
studies [0.0]
本稿では,食欲活動の定量化と分析を行うためのエンドツーエンド,スケーラブル,汎用的なリアルタイムフレームワークを提案する。
提案するパイプラインでは,大規模なデータセットを処理でき,データ品質検証モジュールも備えている。
我々はこのパイプラインをFTDの微小グリア細胞食細胞解析に応用し,統計的に信頼性の高い結果を得た。
論文 参考訳(メタデータ) (2023-04-26T18:10:35Z) - Learning Generative Vision Transformer with Energy-Based Latent Space
for Saliency Prediction [51.80191416661064]
本稿では,有意な物体検出に先立って,潜伏変数を持つ新しい視覚変換器を提案する。
ビジョントランスネットワークとエネルギーベース先行モデルの両方は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。
生成型視覚変換器により、画像から容易に画素単位の不確実性マップを得ることができ、画像から唾液濃度を予測するためのモデル信頼度を示す。
論文 参考訳(メタデータ) (2021-12-27T06:04:33Z) - Developmental Stage Classification of EmbryosUsing Two-Stream Neural
Network with Linear-Chain Conditional Random Field [74.53314729742966]
発達段階分類のための2ストリームモデルを提案する。
従来の手法とは異なり、2ストリームモデルでは時間情報と画像情報の両方を受け付けている。
2つのタイムラプス胚ビデオデータセット上で,本アルゴリズムを実証する。
論文 参考訳(メタデータ) (2021-07-13T19:56:01Z) - Pixel precise unsupervised detection of viral particle proliferation in
cellular imaging data [0.0]
宿主細胞単層膜におけるウイルス粒子の増殖を示す細胞イメージングデータを用いて,コンピュータ生成画像を用いた。
本研究では、死細胞または部分感染細胞を表す黒または灰色の単一ピクセルにおいて、画像間での1対1の増加と、生きた細胞に対する1対1の白色ピクセルコーディングの1対1の増加による仮説的再開により、ウイルス粒子の経時的増加をシミュレートする。
160のモデル画像のSOM-QEによる教師なし分類は、それぞれ300万画素以上あり、統計的に信頼性が高く、正確な画素と高速な分類モデルを提供する。
論文 参考訳(メタデータ) (2020-11-10T16:06:03Z) - CellCycleGAN: Spatiotemporal Microscopy Image Synthesis of Cell
Populations using Statistical Shape Models and Conditional GANs [0.07117593004982078]
蛍光標識細胞核の合成2D+t画像データを生成する新しい方法を開発した。
GANコンディショニングの効果を示し、セルセグメンテーションやトラッキングアプローチの訓練に容易に使用できる合成画像のセットを作成する。
論文 参考訳(メタデータ) (2020-10-22T20:02:41Z) - 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)
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。