論文の概要: Fluorescence Reference Target Quantitative Analysis Library
- arxiv url: http://arxiv.org/abs/2504.15496v1
- Date: Tue, 22 Apr 2025 00:03:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-01 00:59:44.805753
- Title: Fluorescence Reference Target Quantitative Analysis Library
- Title（参考訳）: 蛍光基準ターゲット定量分析ライブラリー
- Authors: Eammon A. Littler, Emmanuel A. Mannoh, Ethan P. M. LaRochelle,
- Abstract要約: QUEL-QALは,ソリッドリファレンスターゲットを用いた蛍光画像の定量的解析の合理化と標準化を目的とした,オープンソースのPythonライブラリである。
QUEL-QALは、応答線形性、検出限界、深度感度、空間分解能といった重要な指標を規制や学術的なガイダンスに従ってサポートする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Standardized performance evaluation of fluorescence imaging systems remains a critical unmet need in the field of fluorescence-guided surgery (FGS). While the American Association of Physicists in Medicine (AAPM) TG311 report and recent FDA draft guidance provide recommended metrics for system characterization, practical tools for extracting these metrics remain limited, inconsistent, and often inaccessible. We present QUEL-QAL, an open-source Python library designed to streamline and standardize the quantitative analysis of fluorescence images using solid reference targets. The library provides a modular, reproducible workflow that includes region of interest (ROI) detection, statistical analysis, and visualization capabilities. QUEL-QAL supports key metrics such as response linearity, limit of detection, depth sensitivity, and spatial resolution, in alignment with regulatory and academic guidance. Built on widely adopted Python packages, the library is designed to be extensible, enabling users to adapt it to novel target designs and analysis protocols. By promoting transparency, reproducibility, and regulatory alignment, QUEL-QAL offers a foundational tool to support standardized benchmarking and accelerate the development and evaluation of fluorescence imaging systems.
- Abstract（参考訳）: 蛍光画像システムの標準化された性能評価は、蛍光ガイド下手術(FGS)の分野では、依然として重要ではない。
アメリカ医師会(AAPM)のTG311報告とFDAの最近のドラフトガイダンスは、システムの特徴付けのための推奨指標を提供しているが、これらの指標を抽出するための実用的なツールは、限定的であり、一貫性がなく、しばしばアクセス不能である。
QUEL-QALは,ソリッドリファレンスターゲットを用いた蛍光画像の定量的解析の合理化と標準化を目的とした,オープンソースのPythonライブラリである。
このライブラリは、関心領域(ROI)の検出、統計分析、可視化機能を含むモジュール化された再現可能なワークフローを提供する。
QUEL-QALは、応答線形性、検出限界、深度感度、空間分解能といった重要な指標を規制や学術的なガイダンスに従ってサポートする。
広く採用されているPythonパッケージ上に構築されたこのライブラリは拡張可能で、ユーザが新しいターゲット設計や分析プロトコルに適応できるように設計されている。
QUEL-QALは、透明性、再現性、規制の整合性を促進することにより、標準化されたベンチマークをサポートし、蛍光イメージングシステムの開発と評価を加速する基礎的なツールを提供する。
関連論文リスト
- Enhancing Fluorescence Lifetime Parameter Estimation Accuracy with Differential Transformer Based Deep Learning Model Incorporating Pixelwise Instrument Response Function [0.3441582801949978]
蛍光ライフタイムイメージング(FLI)は、組織微小環境に関するユニークな情報を提供する。
近年のディープラーニングの進歩により、蛍光寿命パラメーターの推定が改善されている。
本稿では,実験的な光子時間ヒストグラムとともに,計装応答関数(IRF)を付加入力として統合した新しいDLアーキテクチャであるMFliNetを提案する。
論文 参考訳（メタデータ） (2024-11-25T20:03:41Z) - On the importance of local and global feature learning for automated measurable residual disease detection in flow cytometry data [4.550634499956126]
本稿では,フロー(FCM)データにおけるMRD検出のための様々な深層学習手法について検討する。
本稿では,現在最先端(SOTA)モデルへの2つの適応を提案する。
コントリビューションには、SOTAモデルの拡張、公開データセットのパフォーマンス向上、実験室間の一般化の改善などが含まれています。
論文 参考訳（メタデータ） (2024-11-23T18:15:34Z) - GLARE: Low Light Image Enhancement via Generative Latent Feature based Codebook Retrieval [80.96706764868898]
我々は、GLARE(Generative LAtent Feature based codebook Retrieval)を介して、新しい低照度画像強調(LLIE)ネットワークを提案する。
Invertible Latent Normalizing Flow (I-LNF) モジュールを開発し、LL特徴分布をNL潜在表現に整合させ、コードブック内の正しいコード検索を保証する。
さまざまなベンチマークデータセットと実世界のデータに対するGLAREの優れたパフォーマンスを確認する実験。
論文 参考訳（メタデータ） (2024-07-17T09:40:15Z) - OVLW-DETR: Open-Vocabulary Light-Weighted Detection Transformer [63.141027246418]
本稿では,OVLW-DETR(Open-Vocabulary Light-Weighted Detection Transformer)を提案する。
本稿では,視覚言語モデル(VLM)からオブジェクト検出器への知識伝達を簡易なアライメントで行うエンド・ツー・エンドのトレーニングレシピを提案する。
実験により,提案手法は標準ゼロショットLVISベンチマークにおいて,既存の実時間開語彙検出器よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-07-15T12:15:27Z) - Model-aware reinforcement learning for high-performance Bayesian experimental design in quantum metrology [0.4999814847776097]
量子センサは、様々なパラメータにわたる実験者による操作を可能にすることで、推定中に制御の柔軟性を提供する。
量子力学、推定、仮説テストにおいて、幅広い問題を最適化できる汎用的な手順を導入する。
粒子フィルタリングに基づくモデル認識強化学習(RL)とベイズ推定を組み合わせた。
論文 参考訳（メタデータ） (2023-12-28T12:04:15Z) - GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。
本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。
動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
論文 参考訳（メタデータ） (2023-09-28T07:46:01Z) - Rapid Adaptation in Online Continual Learning: Are We Evaluating It
Right? [135.71855998537347]
オンライン連続学習(OCL)アルゴリズムの適応性を評価するための一般的な手法を,オンライン精度の指標を用いて再検討する。
空白のブラインド分類器でさえ、非現実的に高いオンライン精度を達成できるため、この指標は信頼できない。
既存のOCLアルゴリズムは、オンラインの精度も高いが、有用な情報の保持は不十分である。
論文 参考訳（メタデータ） (2023-05-16T08:29:33Z) - Metrics reloaded: Recommendations for image analysis validation [59.60445111432934]
メトリクスのリロード(Metrics Reloaded)は、メトリクスの問題を意識した選択において研究者を導く包括的なフレームワークである。
このフレームワークは多段階のDelphiプロセスで開発され、問題指紋という新しい概念に基づいている。
問題指紋に基づいて、ユーザは適切なバリデーションメトリクスを選択して適用するプロセスを通じてガイドされる。
論文 参考訳（メタデータ） (2022-06-03T15:56:51Z) - GaNDLF: A Generally Nuanced Deep Learning Framework for Scalable
End-to-End Clinical Workflows in Medical Imaging [76.38169390121057]
コミュニティ主導型汎用ディープラーニングフレームワークGaNDLF(Generally Nuanced Deep Learning Framework)について紹介する。
GaNDLFは、DL開発、トレーニング、推論のメカニズムをより安定させ、再現可能で、解釈可能で、スケーラブルにする。
放射線画像と病理画像の両方をGaNDLFで解析し,k-foldクロスバリデーションをサポートした。
論文 参考訳（メタデータ） (2021-02-26T02:24:52Z) - Controlling for sparsity in sparse factor analysis models: adaptive
latent feature sharing for piecewise linear dimensionality reduction [2.896192909215469]
本稿では,現在潜伏している特徴分解技術の鍵となる限界に対処できる,シンプルでトラクタブルな特徴割り当てモデルを提案する。
適応型因子分析(aFA)と適応型確率的原理成分分析(aPPCA)を応用し,柔軟な構造発見と次元減少を実現する。
APPCAとaFAは、生のMNISTに適用した場合と、オートエンコーダの特徴を解釈する場合の両方において、高いレベルの特徴を推測できることを示す。
論文 参考訳（メタデータ） (2020-06-22T16:09:11Z)
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。