論文の概要: Fully Unsupervised Annotation of C. Elegans

• arxiv url: http://arxiv.org/abs/2503.07348v1
• Date: Mon, 10 Mar 2025 14:03:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:47:43.639574
• Title: Fully Unsupervised Annotation of C. Elegans
• Title（参考訳）: C. Elegans の完全教師なしアノテーション
• Authors: Christoph Karg, Sebastian Stricker, Lisa Hutschenreiter, Bogdan Savchynskyy, Dagmar Kainmueller,
• Abstract要約: キーポイント特徴のガウス分布を仮定できる問題に適用可能な,教師なしマルチグラフマッチングのための新しい手法を提案する。 サイクル一貫性を自己教師付き学習の損失として活用し,ベイズ最適化を用いてガウスパラメータを決定する。 線虫C。線虫C. elegansの3D顕微鏡画像における細胞核のアノテートのための最先端の制御手法の精度に到達することができる。
• 参考スコア（独自算出の注目度）: 4.4618764205189985
• License:
• Abstract: In this work we present a novel approach for unsupervised multi-graph matching, which applies to problems for which a Gaussian distribution of keypoint features can be assumed. We leverage cycle consistency as loss for self-supervised learning, and determine Gaussian parameters through Bayesian Optimization, yielding a highly efficient approach that scales to large datasets. Our fully unsupervised approach enables us to reach the accuracy of state-of-the-art supervised methodology for the use case of annotating cell nuclei in 3D microscopy images of the worm C. elegans. To this end, our approach yields the first unsupervised atlas of C. elegans, i.e. a model of the joint distribution of all of its cell nuclei, without the need for any ground truth cell annotation. This advancement enables highly efficient annotation of cell nuclei in large microscopy datasets of C. elegans. Beyond C. elegans, our approach offers fully unsupervised construction of cell-level atlases for any model organism with a stereotyped cell lineage, and thus bears the potential to catalyze respective comparative developmental studies in a range of further species.
• Abstract（参考訳）: 本研究では,キーポイント特徴のガウス分布を仮定できる問題に適用可能な,教師なしマルチグラフマッチングのための新しい手法を提案する。 サイクル一貫性を自己教師付き学習の損失として活用し,ベイズ最適化を通じてガウスパラメータを決定することにより,大規模データセットにスケールする高効率なアプローチを実現する。 線虫C。線虫C. elegansの3D顕微鏡画像における細胞核のアノテートのための最先端の制御手法の精度に到達することができる。 この目的のために、我々のアプローチは、C. elegansの最初の教師なしアトラス、すなわちすべての細胞核の結合分布のモデルを、基底的な真理細胞アノテーションを必要とせずに生成する。 この進歩は、C. elegansの大規模な顕微鏡データセットにおける細胞核の高効率なアノテーションを可能にする。 C. elegans以外にも、我々のアプローチは、ステレオタイプ細胞系統を持つモデル生物に対して、完全に教師なしの細胞レベルのアトラスの構築を提供する。

関連論文リスト

• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• scASDC: Attention Enhanced Structural Deep Clustering for Single-cell RNA-seq Data [5.234149080137045]
  scRNA-seqデータに固有の高空間性および複雑なノイズパターンは、従来のクラスタリング手法において重要な課題である。 本稿では,深層クラスタリング手法であるアテンション強化構造深層埋め込みグラフクラスタリング(scASDC)を提案する。 scASDCはクラスタリングの精度と堅牢性を改善するために、複数の高度なモジュールを統合している。
  論文  参考訳（メタデータ） (2024-08-09T09:10:36Z)
• Scalable Amortized GPLVMs for Single Cell Transcriptomics Data [9.010523724015398]
  大規模単細胞RNA-seqデータの解析には次元化が不可欠である。 改良されたモデル、償却変分モデル(BGPLVM)を導入する。 BGPLVMは、特殊なエンコーダ、カーネル、そして可能性設計を備えたシングルセルRNA-seq向けに調整されている。
  論文  参考訳（メタデータ） (2024-05-06T21:54:38Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• Tracking by weakly-supervised learning and graph optimization for whole-embryo C. elegans lineages [5.4560798878815735]
  我々は,核中心点アノテーションの小さなセットからの弱い教師付き学習と,最適な細胞系統抽出のための整数線形プログラム(ILP)を組み合わさった最新の核追跡手法を構築した。 我々の研究は、C. elegansの胚記録の次の挑戦的な性質に特に対処する。
  論文  参考訳（メタデータ） (2022-08-24T12:17:59Z)
• A Greedy and Optimistic Approach to Clustering with a Specified Uncertainty of Covariates [6.231304401179968]
  我々は,経験的不確実性集合よりも優れた特徴候補を求める,欲求的で楽観的なクラスタリング(GOC)アルゴリズムを提案する。 重要な応用として、銀河系の形成過程を模した数値シミュレーションにより生成された恒星の軌道特性の合成データセットにGACアルゴリズムを適用した。
  論文  参考訳（メタデータ） (2022-04-18T07:54:24Z)
• Lizard: A Large-Scale Dataset for Colonic Nuclear Instance Segmentation and Classification [4.642724910208435]
  組織像解析のための大規模データセットの収集を可能にする多段階アノテーションパイプラインを提案する。 我々は、50万近いラベル付き核を含む、既知の最大の核インスタンスのセグメンテーションと分類データセットを生成する。
  論文  参考訳（メタデータ） (2021-08-25T11:58:52Z)
• Understanding Overparameterization in Generative Adversarial Networks [56.57403335510056]
  generative adversarial network (gans) は、非凹型ミニマックス最適化問題を訓練するために用いられる。 ある理論は、グローバル最適解に対する勾配降下 (gd) の重要性を示している。 ニューラルネットワークジェネレータと線形判別器を併用した多層GANにおいて、GDAは、基礎となる非凹面min-max問題の大域的なサドル点に収束することを示す。
  論文  参考訳（メタデータ） (2021-04-12T16:23:37Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
  トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。 ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。 工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
  論文  参考訳（メタデータ） (2020-06-19T20:41:58Z)

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。