論文の概要: PyUAT: Open-source Python framework for efficient and scalable cell tracking

• arxiv url: http://arxiv.org/abs/2503.21914v1
• Date: Thu, 27 Mar 2025 18:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:31:29.690658
• Title: PyUAT: Open-source Python framework for efficient and scalable cell tracking
• Title（参考訳）: PyUAT: 効率的でスケーラブルなセルトラッキングのためのオープンソースのPythonフレームワーク
• Authors: Johannes Seiffarth, Katharina Nöh,
• Abstract要約: PyUATは、タイムラプスイメージングにおいて微生物細胞を追跡するための効率的でモジュール化されたPython実装である。 大規模な2D+tデータセット上での性能を実証し、モジュラー生体モデルと撮像間隔が追跡性能に与える影響について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Tracking individual cells in live-cell imaging provides fundamental insights, inevitable for studying causes and consequences of phenotypic heterogeneity, responses to changing environmental conditions or stressors. Microbial cell tracking, characterized by stochastic cell movements and frequent cell divisions, remains a challenging task when imaging frame rates must be limited to avoid counterfactual results. A promising way to overcome this limitation is uncertainty-aware tracking (UAT), which uses statistical models, calibrated to empirically observed cell behavior, to predict likely cell associations. We present PyUAT, an efficient and modular Python implementation of UAT for tracking microbial cells in time-lapse imaging. We demonstrate its performance on a large 2D+t data set and investigate the influence of modular biological models and imaging intervals on the tracking performance. The open-source PyUAT software is available at https://github.com/JuBiotech/PyUAT, including example notebooks for immediate use in Google Colab.
• Abstract（参考訳）: ライブ細胞イメージングにおける個々の細胞追跡は、環境条件やストレスに対する応答など、表現型不均一性の原因や結果を研究するために必然的に必要となる基本的な洞察を与える。 確率的な細胞運動と頻繁な細胞分裂を特徴とする微生物細胞追跡は、画像フレームレートが非現実的な結果を避けるために制限される場合、依然として困難な課題である。 この制限を克服するための有望な方法は不確実性認識追跡(UAT)であり、これは統計モデルを用いて、経験的に観察された細胞の振る舞いを調整し、おそらくの細胞関連を予測する。 PyUATは, タイムラプス画像における微生物の追跡のための, UAT のPython 実装で, 効率的かつモジュール化された実装である。 大規模な2D+tデータセット上での性能を実証し、モジュラー生体モデルと撮像間隔が追跡性能に与える影響について検討する。 オープンソースのPyUATソフトウェアはhttps://github.com/JuBiotech/PyUATで入手できる。

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)
• Tracking one-in-a-million: Large-scale benchmark for microbial single-cell tracking with experiment-aware robustness metrics [0.0]
  我々は、微生物ライブ細胞イメージング(MLCI)のための、最も公開かつ注釈付きデータセットを提示する。 このデータセットには、140万以上の細胞インスタンス、29万の細胞トラック、14万の細胞分裂が含まれている。 我々の新しいベンチマークは、実験パラメータが追跡品質に与える影響を定量化し、新しいデータ駆動手法を開発する機会を与える。
  論文  参考訳（メタデータ） (2024-11-01T13:03:51Z)
• Contrastive learning of cell state dynamics in response to perturbations [0.5665024011188763]
  DynaCLRは、タイムラプスデータセットの表現を対照的に学習することで、セルダイナミクスをモデル化するためのフレームワークである。 本研究では,DynaCLRを用いて細胞の形態動態を時間的に規則化された埋め込み空間にマッピングする方法を示す。
  論文  参考訳（メタデータ） (2024-10-15T05:01:25Z)
• Deep Temporal Sequence Classification and Mathematical Modeling for Cell Tracking in Dense 3D Microscopy Videos of Bacterial Biofilms [18.563062576080704]
  そこで我々はDenseTrackという新しいセル追跡アルゴリズムを提案する。 DenseTrackは、ディープラーニングと数学的モデルベースの戦略を統合して、連続するフレーム間の対応を確立する。 固有分解に基づく細胞分裂検出戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-27T23:26:57Z)
• RigLSTM: Recurrent Independent Grid LSTM for Generalizable Sequence Learning [75.61681328968714]
  本稿では,対象タスクの基盤となるモジュール構造を利用するために,リカレントな独立したGrid LSTM(RigLSTM)を提案する。 本モデルでは, セル選択, 入力特徴選択, 隠れ状態選択, ソフト状態更新を採用し, より優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-11-03T07:40:06Z)
• Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
  軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。 現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。 本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-09T20:32:49Z)
• 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)
• Cell tracking for live-cell microscopy using an activity-prioritized assignment strategy [0.9134244356393666]
  細胞追跡は、分裂パターンや伸長率などの単一細胞の特徴を決定するために、ライブセルイメージングにおいて必須のツールである。 微生物のライブ細胞実験では、細胞は時間とともに成長し、移動し、分裂し、単層構造に密に詰め込まれた細胞コロニーを形成する。 そこで本研究では, 成長する細胞に近接する活性優先の細胞追跡手法と, 母細胞の分裂を娘に割り当てる解法とから, 高速優先の細胞追跡手法を提案する。
  論文  参考訳（メタデータ） (2022-10-20T17:40:31Z)
• 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)
• Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
  統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。 このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。 我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
  論文  参考訳（メタデータ） (2020-08-14T16:48:29Z)
• 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)

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。