論文の概要: Accurate Tracking of Arabidopsis Root Cortex Cell Nuclei in 3D Time-Lapse Microscopy Images Based on Genetic Algorithm
- arxiv url: http://arxiv.org/abs/2504.12676v1
- Date: Thu, 17 Apr 2025 06:07:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-18 14:36:58.368321
- Title: Accurate Tracking of Arabidopsis Root Cortex Cell Nuclei in 3D Time-Lapse Microscopy Images Based on Genetic Algorithm
- Title（参考訳）: 遺伝的アルゴリズムを用いた3次元タイムラプス顕微鏡画像におけるシロイヌナズナ歯根細胞核の正確な追跡
- Authors: Yu Song, Tatsuaki Goh, Yinhao Li, Jiahua Dong, Shunsuke Miyashima, Yutaro Iwamoto, Yohei Kondo, Keiji Nakajima, Yen-wei Chen,
- Abstract要約: 本研究では,シロイヌナズナの根の細胞パターンと体積間の空間的関係の知識を用いた遺伝的アルゴリズム(GA)に基づく正確な追跡手法を提案する。
本手法は,シロイヌナズナ根先端の長期ライブ画像データセットを用いて評価され,手作業による微調整により核を正確に追跡する。
- 参考スコア（独自算出の注目度）: 16.657595219532674
- License:
- Abstract: Arabidopsis is a widely used model plant to gain basic knowledge on plant physiology and development. Live imaging is an important technique to visualize and quantify elemental processes in plant development. To uncover novel theories underlying plant growth and cell division, accurate cell tracking on live imaging is of utmost importance. The commonly used cell tracking software, TrackMate, adopts tracking-by-detection fashion, which applies Laplacian of Gaussian (LoG) for blob detection, and Linear Assignment Problem (LAP) tracker for tracking. However, they do not perform sufficiently when cells are densely arranged. To alleviate the problems mentioned above, we propose an accurate tracking method based on Genetic algorithm (GA) using knowledge of Arabidopsis root cellular patterns and spatial relationship among volumes. Our method can be described as a coarse-to-fine method, in which we first conducted relatively easy line-level tracking of cell nuclei, then performed complicated nuclear tracking based on known linear arrangement of cell files and their spatial relationship between nuclei. Our method has been evaluated on a long-time live imaging dataset of Arabidopsis root tips, and with minor manual rectification, it accurately tracks nuclei. To the best of our knowledge, this research represents the first successful attempt to address a long-standing problem in the field of time-lapse microscopy in the root meristem by proposing an accurate tracking method for Arabidopsis root nuclei.
- Abstract（参考訳）: シロイヌナズナは植物生理学と開発に関する基礎知識を得るために広く用いられているモデル植物である。
ライブイメージングは、植物開発における要素過程を可視化し定量化する重要な技術である。
植物の成長と細胞分裂の基礎となる新しい理論を明らかにするために、ライブイメージングにおける正確な細胞追跡が最も重要である。
一般的に使われているセルトラッキングソフトウェアであるTrackMateでは、ブロブ検出にLaplacian of Gaussian (LoG)、追跡にLinear Assignment Problem (LAP)を採用している。
しかし、細胞が密集した状態では十分に機能しない。
以上の問題を緩和するために,シロイヌナズナの根の細胞パターンと体積間の空間的関係の知識を用いた遺伝的アルゴリズム(GA)に基づく正確な追跡手法を提案する。
そこで我々はまず,細胞核の線レベル追跡を比較的容易に行うとともに,既知の細胞ファイルの線形配置とそれらの核間の空間的関係に基づいて,複雑な核追跡を行った。
本手法は,シロイヌナズナ根先端の長期ライブ画像データセットを用いて評価され,手作業による微調整により核を正確に追跡する。
我々の知る限りでは、この研究は、シロイヌナズナ根核の正確な追跡方法を提案することによって、根膜における時間ラプス顕微鏡の分野での長年の問題に対処する最初の試みである。
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) - 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) - Cell Graph Transformer for Nuclei Classification [78.47566396839628]
我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。
不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。
グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
論文 参考訳（メタデータ） (2024-02-20T12:01:30Z) - Prediction of Cellular Identities from Trajectory and Cell Fate
Information [0.40964539027092917]
本稿では,機械学習を用いた早期のtextitC. elegansgenesisにおける細胞識別の革新的アプローチを提案する。
ランダムな森林, 胚, LSTMモデルを用いて, 最初の4時間にわたる3次元タイムラプスデータセットの細胞分類精度を検証した。
本研究は, 簡単な時空間的特徴から, タイムラプス画像における細胞アイデンティティの予測に成功したことを示す。
論文 参考訳（メタデータ） (2024-01-11T03:28:13Z) - 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) - Learning Deformable 3D Graph Similarity to Track Plant Cells in
Unregistered Time Lapse Images [17.017730437647977]
本研究では,植物細胞を密に充填した3次元細胞構造を利用して3次元グラフを作成し,正確な細胞追跡を行う新しい学習手法を提案する。
提案アルゴリズムの有効性を,ベンチマークデータセット上での精度と推定時間の観点から示す。
論文 参考訳（メタデータ） (2023-09-20T09:04:01Z) - DeepRGVP: A Novel Microstructure-Informed Supervised Contrastive
Learning Framework for Automated Identification Of The Retinogeniculate
Pathway Using dMRI Tractography [49.36718605738193]
網膜発生経路(Retinogeniculate pathway、RGVP)は、網膜から外側の原核への視覚情報を伝達する役割を持つ。
我々は,dMRIトラクトログラフィーデータからRGVPを高速かつ正確な同定を可能にする,最初のディープラーニングフレームワークであるDeepRGVPを提案する。
論文 参考訳（メタデータ） (2022-11-15T13:14:49Z) - 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 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) - Cell Segmentation and Tracking using CNN-Based Distance Predictions and
a Graph-Based Matching Strategy [0.20999222360659608]
顕微鏡画像における触覚細胞のセグメンテーション法を提案する。
距離マップにインスパイアされた新しい細胞境界の表現を用いることで, 触覚細胞だけでなく, 近接細胞をトレーニングプロセスで利用することができる。
この表現は、特にアノテーションエラーに対して堅牢であり、未表現または未含の細胞型を含むトレーニングデータに含まれる顕微鏡画像のセグメンテーションに対して有望な結果を示す。
論文 参考訳（メタデータ） (2020-04-03T11:55:28Z)
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。