論文の概要: Supervised contrastive learning for cell stage classification of animal embryos
- arxiv url: http://arxiv.org/abs/2502.07360v1
- Date: Tue, 11 Feb 2025 08:30:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:06:34.154396
- Title: Supervised contrastive learning for cell stage classification of animal embryos
- Title（参考訳）: 動物胚の細胞ステージ分類のための教師付きコントラスト学習
- Authors: Yasmine Hachani, Patrick Bouthemy, Elisa Fromont, Sylvie Ruffini, Ludivine Laffont, Alline de Paula Reis,
- Abstract要約: 深層学習による2次元タイムラプス顕微鏡ビデオから胚の細胞ステージを自動分類することを目的としている。
我々は,ビデオ顕微鏡によるウシ胚発生の解析に焦点をあてた。
CLEmbryoは、教師付きコントラスト学習とトレーニングの焦点損失を組み合わせた新しい手法であり、軽量な3次元ニューラルネットワークCSN-50をエンコーダとして導入する。
- 参考スコア（独自算出の注目度）: 3.4030535409936147
- License:
- Abstract: Video microscopy, when combined with machine learning, offers a promising approach for studying the early development of in vitro produced (IVP) embryos. However, manually annotating developmental events, and more specifically cell divisions, is time-consuming for a biologist and cannot scale up for practical applications. We aim to automatically classify the cell stages of embryos from 2D time-lapse microscopy videos with a deep learning approach. We focus on the analysis of bovine embryonic development using video microscopy, as we are primarily interested in the application of cattle breeding, and we have created a Bovine Embryos Cell Stages (ECS) dataset. The challenges are three-fold: (1) low-quality images and bovine dark cells that make the identification of cell stages difficult, (2) class ambiguity at the boundaries of developmental stages, and (3) imbalanced data distribution. To address these challenges, we introduce CLEmbryo, a novel method that leverages supervised contrastive learning combined with focal loss for training, and the lightweight 3D neural network CSN-50 as an encoder. We also show that our method generalizes well. CLEmbryo outperforms state-of-the-art methods on both our Bovine ECS dataset and the publicly available NYU Mouse Embryos dataset.
- Abstract（参考訳）: ビデオ顕微鏡と機械学習を組み合わせることで、in vitro(IVP)胚の初期発生の研究に有望なアプローチを提供する。
しかし、手動で発生イベントを注釈付けし、具体的には細胞分裂は生物学者にとって時間がかかり、実用的な応用にはスケールアップできない。
深層学習による2次元タイムラプス顕微鏡ビデオから胚の細胞ステージを自動分類することを目的としている。
ビデオ顕微鏡によるウシ胚発生の解析に着目し、ウシ繁殖の応用に関心を持ち、ウシ胚細胞ステージ(ECS)データセットを作成した。
課題は,(1) 細胞ステージの同定を困難にする低品質画像とウシのダークセル,(2) 発達段階の境界におけるクラスあいまいさ,(3) 不均衡なデータ分布である。
これらの課題に対処するために、教師付きコントラスト学習とトレーニングの焦点損失を組み合わせた新しい手法であるCLEmbryoと、エンコーダとして軽量な3DニューラルネットワークであるCSN-50を紹介する。
また,本手法が一般化可能であることを示す。
CLEmbryoは、Bovine ECSデータセットと、一般公開されているNYU Mouse Embryosデータセットの両方で、最先端のメソッドをパフォーマンスします。
関連論文リスト
- Early prediction of the transferability of bovine embryos from videomicroscopy [3.4030535409936147]
2Dタイムラプス顕微鏡映像を入力として4日以内に胚移植性を予測することを目的としている。
本稿では3つの経路を含む3次元畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2025-01-14T08:56:59Z) - Embryo 2.0: Merging Synthetic and Real Data for Advanced AI Predictions [69.07284335967019]
2つのデータセットを使用して、2つの生成モデルをトレーニングします。
2-cell, 4-cell, 8-cell, morula, blastocyst など, 様々な細胞で合成胚画像を生成する。
これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。
論文 参考訳（メタデータ） (2024-12-02T08:24:49Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - EmbryosFormer: Deformable Transformer and Collaborative
Encoding-Decoding for Embryos Stage Development Classification [11.773779045556653]
タイムラプス画像から細胞分裂を自動的に検出・分類する計算モデルであるEmbryosFormerを提案する。
提案するネットワークは,コラボレーティブヘッドを用いたエンコーダデコーダデフォーマブルトランスとして設計されている。
提案したEmbryosFormerを,8細胞ステージのマウス胚を用いた公開データセットと4細胞ステージのヒト胚を用いた社内データセットの2つのデータセットでベンチマークした。
論文 参考訳（メタデータ） (2022-10-07T02:54:34Z) - A Semi-automatic Cell Tracking Process Towards Completing the 4D Atlas
of C. elegans Development [0.0]
線虫Caenorhabditis elegans(C. elegans)は、発達生物学や神経生物学をよりよく理解するためのモデル生物として用いられる。
我々は,皮膚細胞をフィデューシャルマーカーとして利用して,ランダムなツイッチを伴って細胞追跡を行う手法を構築した。
論文 参考訳（メタデータ） (2022-07-27T16:21:52Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳（メタデータ） (2022-02-14T12:12:20Z) - Search for temporal cell segmentation robustness in phase-contrast
microscopy videos [31.92922565397439]
本研究では,3次元コラーゲンマトリックスに埋め込まれた癌細胞を分画する深層学習ワークフローを提案する。
また, 癌細胞形態を研究するための幾何学的特徴付け手法を提案する。
2Dセルのセグメンテーションと追跡のための新しいアノテーション付きデータセットと、実験を再現したり、新しい画像処理問題に適応するためのオープンソース実装を導入する。
論文 参考訳（メタデータ） (2021-12-16T12:03:28Z) - 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) - 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) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z)
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。