論文の概要: Unsupervised cell segmentation by fast Gaussian Processes

• arxiv url: http://arxiv.org/abs/2505.18902v1
• Date: Sat, 24 May 2025 23:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.737176
• Title: Unsupervised cell segmentation by fast Gaussian Processes
• Title（参考訳）: 高速ガウス過程による非教師なし細胞セグメンテーション
• Authors: Laura Baracaldo, Blythe King, Haoran Yan, Yizi Lin, Nina Miolane, Mengyang Gu,
• Abstract要約: ノイズ顕微鏡画像に対する高速ガウス過程に基づく新規な教師なしセル分割アルゴリズムを開発した。 異なる部位の異なる輝度を含む異種画像に適応し、背景から物体を分離する頑健な閾値基準を導出した。
• 参考スコア（独自算出の注目度）: 3.9223994610353974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cell boundary information is crucial for analyzing cell behaviors from time-lapse microscopy videos. Existing supervised cell segmentation tools, such as ImageJ, require tuning various parameters and rely on restrictive assumptions about the shape of the objects. While recent supervised segmentation tools based on convolutional neural networks enhance accuracy, they depend on high-quality labelled images, making them unsuitable for segmenting new types of objects not in the database. We developed a novel unsupervised cell segmentation algorithm based on fast Gaussian processes for noisy microscopy images without the need for parameter tuning or restrictive assumptions about the shape of the object. We derived robust thresholding criteria adaptive for heterogeneous images containing distinct brightness at different parts to separate objects from the background, and employed watershed segmentation to distinguish touching cell objects. Both simulated studies and real-data analysis of large microscopy images demonstrate the scalability and accuracy of our approach compared with the alternatives.
• Abstract（参考訳）: 細胞境界情報は、タイムラプス顕微鏡ビデオから細胞挙動を分析するために重要である。 ImageJのような既存の教師付きセルセグメンテーションツールは、様々なパラメータをチューニングし、オブジェクトの形状に関する制限的な仮定に依存する必要がある。 最近の畳み込みニューラルネットワークに基づく教師付きセグメンテーションツールは精度を高めるが、高品質なラベル付き画像に依存しており、データベースにない新しいタイプのオブジェクトのセグメンテーションには適さない。 我々は,物体の形状に関するパラメータ調整や制限的な仮定を必要とせず,ノイズの多い顕微鏡画像に対する高速ガウス過程に基づく新しい教師なしセル分割アルゴリズムを開発した。 異なる部位で異なる明るさの異種画像に適応し、背景から異なる物体を分離するために頑健な閾値基準を導出し、接触する細胞オブジェクトを区別するために流域分割を適用した。 大規模な顕微鏡画像のシミュレーションと実データ解析の両方で、我々のアプローチのスケーラビリティと精度を代替法と比較した。

関連論文リスト

• CellSeg1: Robust Cell Segmentation with One Training Image [37.60000299559688]
  任意の形態とモダリティの細胞をセグメント化するためのソリューションであるCellSeg1について,数ダースのセルアノテーションを1イメージで紹介する。 19の多様なセルデータセットでテストされ、CellSeg1は1枚の画像でトレーニングされ、0.5 IoUで平均平均mAP0.81に達し、500枚以上の画像でトレーニングされた既存のモデルと同等に動作した。
  論文  参考訳（メタデータ） (2024-12-02T11:55:22Z)
• Interpretable Embeddings for Segmentation-Free Single-Cell Analysis in Multiplex Imaging [1.8687965482996822]
  多重イメージング(MI)は、複数の生物学的マーカーを、細胞内解像度で別々のイメージングチャネルで同時に可視化することを可能にする。 本稿では,グループ化畳み込みを利用して各画像チャンネルから解釈可能な埋め込み特徴を学習するセグメンテーションフリーなディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-11-02T11:21:33Z)
• Practical Guidelines for Cell Segmentation Models Under Optical Aberrations in Microscopy [14.042884268397058]
  本研究は,光収差下でのセル画像のセグメンテーションモデルについて,蛍光顕微鏡と光電場顕微鏡を用いて評価する。 ネットワークヘッドの異なるOstoしきい値法やMask R-CNNなどのセグメンテーションモデルをトレーニングし,テストする。 対照的に、Cellpose 2.0は同様の条件下で複雑な細胞画像に有効であることが証明されている。
  論文  参考訳（メタデータ） (2024-04-12T15:45:26Z)
• Multi-stream Cell Segmentation with Low-level Cues for Multi-modality Images [66.79688768141814]
  我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。 次に、分類ラベルに基づいて分類モデルを訓練する。 2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
  論文  参考訳（メタデータ） (2023-10-22T08:11:08Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• A kinetic approach to consensus-based segmentation of biomedical images [39.58317527488534]
  バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。 システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。 2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
  論文  参考訳（メタデータ） (2022-11-08T09:54:34Z)
• Attention-Based Transformers for Instance Segmentation of Cells in Microstructures [22.215852332444904]
  本稿では, 直接端対端のインスタンスセグメンテーションのための新しいアテンションベースセル検出トランス (Cell-DETR) を提案する。 セグメンテーション性能は最先端のインスタンスセグメンテーション法と同等だが、Cell-DETRはよりシンプルで高速である。 特定のユースケースでは、提案手法は意味的セグメンテーションのための最先端のツールを超越し、個別のオブジェクトインスタンスを予測する。
  論文  参考訳（メタデータ） (2020-11-19T10:49:56Z)
• Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation [71.50526869670716]
  本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。 Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。 拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
  論文  参考訳（メタデータ） (2020-07-21T14:05:09Z)
• 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。