論文の概要: EAP4EMSIG -- Enhancing Event-Driven Microscopy for Microfluidic Single-Cell Analysis

• arxiv url: http://arxiv.org/abs/2504.00047v1
• Date: Sun, 30 Mar 2025 23:16:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 15:43:08.437733
• Title: EAP4EMSIG -- Enhancing Event-Driven Microscopy for Microfluidic Single-Cell Analysis
• Title（参考訳）: EAP4EMSIG -- マイクロ流体単一セル解析のためのイベント駆動顕微鏡の強化
• Authors: Nils Friederich, Angelo Jovin Yamachui Sitcheu, Annika Nassal, Erenus Yildiz, Matthias Pesch, Maximilian Beichter, Lukas Scholtes, Bahar Akbaba, Thomas Lautenschlager, Oliver Neumann, Dietrich Kohlheyer, Hanno Scharr, Johannes Seiffarth, Katharina Nöh, Ralf Mikut,
• Abstract要約: イベント駆動顕微鏡のための実験自動化パイプラインの3つのコンポーネントをスマートマイクロ流体単セル分析に導入する。 我々のオートフォーカスは50ms以下の推測時間を持つ0.0226mutext mの平均絶対誤差を達成する。
• 参考スコア（独自算出の注目度）: 1.8258105145031496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microfluidic Live-Cell Imaging yields data on microbial cell factories. However, continuous acquisition is challenging as high-throughput experiments often lack realtime insights, delaying responses to stochastic events. We introduce three components in the Experiment Automation Pipeline for Event-Driven Microscopy to Smart Microfluidic Single-Cell Analysis: a fast, accurate Deep Learning autofocusing method predicting the focus offset, an evaluation of real-time segmentation methods and a realtime data analysis dashboard. Our autofocusing achieves a Mean Absolute Error of 0.0226\textmu m with inference times below 50~ms. Among eleven Deep Learning segmentation methods, Cellpose~3 reached a Panoptic Quality of 93.58\%, while a distance-based method is fastest (121~ms, Panoptic Quality 93.02\%). All six Deep Learning Foundation Models were unsuitable for real-time segmentation.
• Abstract（参考訳）: マイクロ流体ライブセルイメージングは、微生物の細胞工場のデータを生成する。 しかし、高スループットの実験ではリアルタイムの洞察が欠如し、確率的な事象に対する応答が遅れることがしばしばあるため、継続的な獲得は困難である。 本稿では,イベント駆動顕微鏡実験パイプライン(Experimental Automation Pipeline for Event-Driven Microscopy)からスマートマイクロ流体シングルセル分析(Smart Microfluidic Single-Cell Analysis)に,フォーカスオフセットを予測する高速で高精度なDeep Learning Autofocusingメソッド,リアルタイムセグメンテーション手法の評価,リアルタイムデータ分析ダッシュボードの3つのコンポーネントを紹介する。 我々の自己焦点付けは、50~ms以下の推論時間を持つ0.0226\textmu mの平均絶対誤差を達成する。 11のディープラーニングセグメンテーション手法のうち、Cellpose~3は93.58\%に達し、距離ベースの手法は121~ms、Panoptic Quality 93.02\%に達した。 6つのDeep Learning Foundation Modelsはすべて、リアルタイムセグメンテーションには適していない。

関連論文リスト

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• EAP4EMSIG -- Experiment Automation Pipeline for Event-Driven Microscopy to Smart Microfluidic Single-Cells Analysis [1.8258105145031496]
  スマートマイクロ流体単細胞分析(EAP4IG)におけるイベント駆動顕微鏡のための実験自動化パイプラインについて紹介する。 特に、我々のアプローチのリアルタイムセグメンテーションモジュールからの初期ゼロショット結果を示す。 以上の結果から,OmniposeはPanoptic Quality(PQ)スコア0.9336,Contour Proposal Network(CPN)は185msが最も高速であることがわかった。
  論文  参考訳（メタデータ） (2024-11-06T09:37:31Z)
• Fast spline detection in high density microscopy data [0.0]
  多生物系の顕微鏡的研究において、衝突と重なりの問題は依然として困難である。 そこで,本研究では,一般的なモチーフと重なり合うスプラインの正確な形状軌跡を抽出する,エンドツーエンドの深層学習手法を開発した。 線虫Caenorhabditis elegansの密集実験における使用性の設定と実証を行った。
  論文  参考訳（メタデータ） (2023-01-11T13:40:05Z)
• Automated segmentation of microvessels in intravascular OCT images using deep learning [0.0]
  血管内光コヒーレンス断層撮影(IV OCT)画像における微小血管の自動検出法を開発した。 85病変,37病変から8,403例のOCT画像フレームを解析した。 本手法は,698枚の画像フレームに微小血管が存在するのに対し,手動による解析では730枚の画像フレームが4.4%の差を示した。
  論文  参考訳（メタデータ） (2022-10-01T02:14:14Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• Short and Long Range Relation Based Spatio-Temporal Transformer for Micro-Expression Recognition [61.374467942519374]
  我々は,マイクロ圧縮認識のための最初の純粋トランスフォーマーベースアプローチである,新しいアテンポ的トランスフォーマーアーキテクチャを提案する。 空間パターンを学習する空間エンコーダと、時間的分析のための時間的次元分類と、ヘッドとを備える。 広範に使用されている3つの自発的マイクロ圧縮データセットに対する総合的な評価は,提案手法が一貫して芸術の状態を上回っていることを示している。
  論文  参考訳（メタデータ） (2021-12-10T22:10:31Z)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• 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)
• DeepFocus: a Few-Shot Microscope Slide Auto-Focus using a Sample Invariant CNN-based Sharpness Function [6.09170287691728]
  オートフォーカス(AF)法は、例えばタイムラプスを取得するために生体顕微鏡で広く用いられている。 現在のハードウェアベースの手法では、顕微鏡と画像ベースのアルゴリズムを変更する必要がある。 我々はMicro-Managerプラグインとして実装したAFメソッドであるDeepFocusを提案する。
  論文  参考訳（メタデータ） (2020-01-02T23:29:11Z)

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。