論文の概要: Real-Time Cell Sorting with Scalable In Situ FPGA-Accelerated Deep Learning

• arxiv url: http://arxiv.org/abs/2503.12622v1
• Date: Sun, 16 Mar 2025 19:32:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:27.143964
• Title: Real-Time Cell Sorting with Scalable In Situ FPGA-Accelerated Deep Learning
• Title（参考訳）: FPGA-Accelerated Deep Learning によるスケーラブルな実時間セルソーティング
• Authors: Khayrul Islam, Ryan F. Forelli, Jianzhong Han, Deven Bhadane, Jian Huang, Joshua C. Agar, Nhan Tran, Seda Ogrenci, Yaling Liu,
• Abstract要約: 我々は,光電場顕微鏡画像を用いたラベルなしの細胞分類のための機械学習フレームワークを提案する。 本フレームワークは,T4,T8,Bのセルタイプを,80,000の事前処理画像のデータセットで正確に分類する。 FPGAを高速化した学生モデルは、14.5$mu$sの超低レイテンシと24.7$mu$sの完全なセル検出ソートトリガ時間を実現する。
• 参考スコア（独自算出の注目度）: 1.9574700392701878
• License:
• Abstract: Precise cell classification is essential in biomedical diagnostics and therapeutic monitoring, particularly for identifying diverse cell types involved in various diseases. Traditional cell classification methods such as flow cytometry depend on molecular labeling which is often costly, time-intensive, and can alter cell integrity. To overcome these limitations, we present a label-free machine learning framework for cell classification, designed for real-time sorting applications using bright-field microscopy images. This approach leverages a teacher-student model architecture enhanced by knowledge distillation, achieving high efficiency and scalability across different cell types. Demonstrated through a use case of classifying lymphocyte subsets, our framework accurately classifies T4, T8, and B cell types with a dataset of 80,000 preprocessed images, accessible via an open-source Python package for easy adaptation. Our teacher model attained 98\% accuracy in differentiating T4 cells from B cells and 93\% accuracy in zero-shot classification between T8 and B cells. Remarkably, our student model operates with only 0.02\% of the teacher model's parameters, enabling field-programmable gate array (FPGA) deployment. Our FPGA-accelerated student model achieves an ultra-low inference latency of just 14.5~$\mu$s and a complete cell detection-to-sorting trigger time of 24.7~$\mu$s, delivering 12x and 40x improvements over the previous state-of-the-art real-time cell analysis algorithm in inference and total latency, respectively, while preserving accuracy comparable to the teacher model. This framework provides a scalable, cost-effective solution for lymphocyte classification, as well as a new SOTA real-time cell sorting implementation for rapid identification of subsets using in situ deep learning on off-the-shelf computing hardware.
• Abstract（参考訳）: 精密な細胞分類は、生物医学的診断と治療モニタリング、特に様々な疾患に関連する多様な細胞タイプを特定するために不可欠である。 フローサイトメトリーのような従来の細胞分類法は、しばしばコストが高く、時間集約的で、細胞の完全性を変えることができる分子標識に依存する。 これらの制約を克服するために,光電場顕微鏡画像を用いたリアルタイムソートアプリケーションのために設計された,セル分類のためのラベルなし機械学習フレームワークを提案する。 このアプローチは、知識蒸留によって強化された教師-学生モデルアーキテクチャを活用し、異なるセルタイプにわたる高い効率とスケーラビリティを実現する。 我々のフレームワークは、リンパ球サブセットを分類するユースケースを通じて実証され、T4、T8、B細胞タイプを80,000の事前処理されたイメージのデータセットで正確に分類し、オープンソースのPythonパッケージを介して容易に適応できるようにする。 教師モデルでは,T4細胞とB細胞を区別し,93%の精度でT8細胞とB細胞をゼロショット分類した。 注目すべきは、我々の学生モデルは、教師モデルのパラメータの0.02\%しか動作せず、フィールドプログラマブルゲートアレイ(FPGA)の配置を可能にすることである。 FPGAを高速化した学生モデルは、たった14.5〜$\mu$sの超低推論レイテンシと24.7〜$\mu$sの完全なセル検出ソートトリガ時間を実現し、教師モデルに匹敵する精度を保ちつつ、従来の最先端のリアルタイムセル解析アルゴリズムよりも12倍、40倍の改善を実現した。 このフレームワークは、スケーラブルで費用対効果の高いリンパ球分類ソリューションを提供するとともに、市販のコンピューティングハードウェア上でのin situディープラーニングを用いたサブセットの迅速な識別のための新しいSOTAリアルタイムセルソート実装を提供する。

関連論文リスト

• Cell as Point: One-Stage Framework for Efficient Cell Tracking [54.19259129722988]
  本稿では,セルをポイントとして扱うことで細胞追跡を再現する新しいエンド・ツー・エンドのワンステージフレームワークを提案する。 従来の方法とは異なり、CAPは明示的な検出やセグメンテーションの必要性を排除し、代わりに1段階の配列の細胞を共同で追跡する。 CAPは有望な細胞追跡性能を示し、既存の方法の10倍から55倍効率が高い。
  論文  参考訳（メタデータ） (2024-11-22T10:16:35Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• 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)
• MIML: Multiplex Image Machine Learning for High Precision Cell Classification via Mechanical Traits within Microfluidic Systems [0.9375940575847548]
  我々は、新しい機械学習フレームワーク、Multiformx Image Machine Learning (MIML)を開発した。 MIMLは、ラベルのない細胞画像と生体力学的特性データを組み合わせて、各細胞に固有の、しばしば使われにくい形態情報を利用する。 このアプローチにより、細胞分類における98.3%の精度が著しく向上し、単一のデータ型のみを考慮するモデルよりも大幅に改善された。
  論文  参考訳（メタデータ） (2023-09-15T14:23:51Z)
• Advanced Multi-Microscopic Views Cell Semi-supervised Segmentation [0.0]
  深層学習(DL)は細胞セグメンテーションタスクにおいて強力なポテンシャルを示すが、一般化が不十分である。 本稿では,Multi-Microscopic-view Cell semi-supervised (MMCS) と呼ばれる,新しい半教師付き細胞分割法を提案する。 MMCSは、マイクロスコープの異なる低ラベルの多姿勢細胞画像を用いて、細胞セグメンテーションモデルを訓練することができる。 F1スコアは0.8239であり、全てのケースのランニング時間は許容時間の範囲内である。
  論文  参考訳（メタデータ） (2023-03-21T08:08:13Z)
• A biology-driven deep generative model for cell-type annotation in cytometry [0.0]
  Scyanはシングルセルサイトメトリーネットワークで,事前知識のみを用いて細胞タイプを自動的にアノテートする。 Scyanは、複数の公開データセット上の関連する最先端モデルよりも高速で解釈可能である。 さらに、Scyanはバッチ効果除去、デバーコーディング、人口発見など、いくつかの補完的なタスクを克服している。
  論文  参考訳（メタデータ） (2022-08-11T10:50:44Z)
• Machine learning based lens-free imaging technique for field-portable cytometry [0.0]
  提案手法の精度は98%に向上し,多くの細胞に対して5dB以上の信号が増強された。 モデルは、数回の学習イテレーションで新しいタイプのサンプルを学ぶために適応し、新しく導入されたサンプルをうまく分類することができる。
  論文  参考訳（メタデータ） (2022-03-02T07:09:29Z)
• Stretchable Cells Help DARTS Search Better [70.52254306274092]
  分化可能なニューラルアーキテクチャサーチ(DARTS)は、柔軟で多様な細胞タイプを発見することに成功している。 現在のDARTS法は、広くて浅い細胞に傾向があり、このトポロジー崩壊は、準最適細胞を誘導する。 本稿では,細胞に伸縮性を持たせることで,ストレッチ可能な細胞に直接サーチを実装できることを示す。
  論文  参考訳（メタデータ） (2020-11-18T14:15:51Z)
• 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)
• Learning to segment clustered amoeboid cells from brightfield microscopy via multi-task learning with adaptive weight selection [6.836162272841265]
  マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。 ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。 検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
  論文  参考訳（メタデータ） (2020-05-19T11:31:53Z)

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。