論文の概要: SaSi: A Self-augmented and Self-interpreted Deep Learning Approach for Few-shot Cryo-ET Particle Detection

• arxiv url: http://arxiv.org/abs/2505.19948v1
• Date: Mon, 26 May 2025 13:14:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.449788
• Title: SaSi: A Self-augmented and Self-interpreted Deep Learning Approach for Few-shot Cryo-ET Particle Detection
• Title（参考訳）: SaSi:Few-shot Cryo-ET Particle Detectionのための自己拡張型自己解釈型ディープラーニングアプローチ
• Authors: Gokul Adethya, Bhanu Pratyush Mantha, Tianyang Wang, Xingjian Li, Min Xu,
• Abstract要約: 本稿では,3次元Cryo-ET画像における粒子検出のための,新たな自己拡張・自己解釈(SaSi)深層学習手法を提案する。 提案手法は,データ利用をさらに促進するための自己拡張技術に基づいて,ラベル付きデータへの依存性を緩和するための自己解釈セグメンテーション戦略を導入する。
• 参考スコア（独自算出の注目度）: 7.986610171320447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cryo-electron tomography (cryo-ET) has emerged as a powerful technique for imaging macromolecular complexes in their near-native states. However, the localization of 3D particles in cellular environments still presents a significant challenge due to low signal-to-noise ratios and missing wedge artifacts. Deep learning approaches have shown great potential, but they need huge amounts of data, which can be a challenge in cryo-ET scenarios where labeled data is often scarce. In this paper, we propose a novel Self-augmented and Self-interpreted (SaSi) deep learning approach towards few-shot particle detection in 3D cryo-ET images. Our method builds upon self-augmentation techniques to further boost data utilization and introduces a self-interpreted segmentation strategy for alleviating dependency on labeled data, hence improving generalization and robustness. As demonstrated by experiments conducted on both simulated and real-world cryo-ET datasets, the SaSi approach significantly outperforms existing state-of-the-art methods for particle localization. This research increases understanding of how to detect particles with very few labels in cryo-ET and thus sets a new benchmark for few-shot learning in structural biology.
• Abstract（参考訳）: クリオ電子トモグラフィー(cryo-ET)は、その近縁状態の高分子錯体をイメージングする強力な技術として登場した。 しかし, 細胞内環境における3次元粒子の局在は, 信号-雑音比が低く, くさび生成物が欠如していることから, 依然として大きな課題となっている。 ディープラーニングアプローチは大きな可能性を示していますが、大量のデータが必要です。 本稿では,3次元Cryo-ET画像における小ショット粒子検出のための,自己拡張・自己解釈(SaSi)深層学習手法を提案する。 提案手法は,データ利用をさらに促進する自己拡張技術に基づいて,ラベル付きデータへの依存性を緩和する自己解釈セグメンテーション戦略を導入し,一般化とロバスト性を向上させる。 シミュレーションと実世界のCryo-ETデータセットの両方で実施された実験で示されたように、SaSiアプローチは既存の粒子ローカライゼーションの最先端手法を著しく上回っている。 この研究は、Cryo-ETのラベルがほとんどない粒子の検知方法の理解を深め、構造生物学におけるいくつかのショット学習のための新しいベンチマークを設定した。

関連論文リスト

• J-Invariant Volume Shuffle for Self-Supervised Cryo-Electron Tomogram Denoising on Single Noisy Volume [11.183171651157892]
  Cryo-Electron Tomography (Cryo-ET) は、近ネイティブ状態における細胞構造の詳細な3次元可視化を可能にする。 Cryo-ETは画像の制約により信号対雑音比が低い。 本稿では,Cryo-ETボリュームの画像を1つのノイズボリュームで表現する,新しい自己教師型学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-22T08:06:12Z)
• CryoMAE: Few-Shot Cryo-EM Particle Picking with Masked Autoencoders [8.896148074086762]
  我々は,Cryo-EM画像における単一粒子の効率的な選択を可能にするために,数ショット学習に基づく新しいアプローチであるCryoMAEを紹介する。 従来のNNベースの手法とは対照的に、CryoMAEはトレーニングのために最小限の正の粒子画像しか必要としないが、粒子検出の性能は高い。 大規模なCryo-EMデータセットの実験では、CryoMAEは既存のSOTA(State-of-the-art)手法より優れており、3D再構成の解像度は最大22.4%向上している。
  論文  参考訳（メタデータ） (2024-04-15T23:23:31Z)
• Diffusion Facial Forgery Detection [56.69763252655695]
  本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。 人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。 その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
  論文  参考訳（メタデータ） (2024-01-29T03:20:19Z)
• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)
• 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)
• Active Learning to Classify Macromolecular Structures in situ for Less Supervision in Cryo-Electron Tomography [18.97783153971551]
  大規模非ラベル付きサブトモグラムプールからラベル作成のためのサブトモグラムをクエリするためのフレームワークを提案する。 HALは不確実サンプリングを採用し、最も不確実な予測を持つサブトモグラムを選択する。 halはクエリセットの多様性を改善するためにサブセットサンプリング戦略を導入している。
  論文  参考訳（メタデータ） (2021-02-24T03:10:32Z)
• Cryo-ZSSR: multiple-image super-resolution based on deep internal learning [14.818511430476589]
  単一粒子低温電子顕微鏡 (cryo-EM) は、タンパク質やマクロ分子複合体を原子近傍の分解能で可視化できる新しい画像モダリティである。 本稿では,低SNR条件下での動作に特化して設計された深層学習に基づくマルチイメージSRアルゴリズムを提案する。 以上の結果から,低倍率画像と画像SRの組み合わせは,解像度を犠牲にすることなく,Cryo-EMデータ収集を加速させる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-11-22T14:04:54Z)
• 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)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。