論文の概要: cp_measure: API-first feature extraction for image-based profiling workflows

• arxiv url: http://arxiv.org/abs/2507.01163v1
• Date: Tue, 01 Jul 2025 19:51:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.871578
• Title: cp_measure: API-first feature extraction for image-based profiling workflows
• Title（参考訳）: cp_measure: 画像ベースのプロファイリングワークフローのためのAPIファーストの機能抽出
• Authors: Alán F. Muñoz, Tim Treis, Alexandr A. Kalinin, Shatavisha Dasgupta, Fabian Theis, Anne E. Carpenter, Shantanu Singh,
• Abstract要約: cp_measureはPythonライブラリで、CellProfilerのコア測定機能をモジュール化されたAPIファーストツールに抽出し、プログラム的な機能抽出を行う。 科学的なPythonエコシステムとのシームレスな統合を実現しつつ、cp_measure機能がCellProfiler機能と高い忠実性を保っていることを実証した。
• 参考スコア（独自算出の注目度）: 36.86093674833253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological image analysis has traditionally focused on measuring specific visual properties of interest for cells or other entities. A complementary paradigm gaining increasing traction is image-based profiling - quantifying many distinct visual features to form comprehensive profiles which may reveal hidden patterns in cellular states, drug responses, and disease mechanisms. While current tools like CellProfiler can generate these feature sets, they pose significant barriers to automated and reproducible analyses, hindering machine learning workflows. Here we introduce cp_measure, a Python library that extracts CellProfiler's core measurement capabilities into a modular, API-first tool designed for programmatic feature extraction. We demonstrate that cp_measure features retain high fidelity with CellProfiler features while enabling seamless integration with the scientific Python ecosystem. Through applications to 3D astrocyte imaging and spatial transcriptomics, we showcase how cp_measure enables reproducible, automated image-based profiling pipelines that scale effectively for machine learning applications in computational biology.
• Abstract（参考訳）: 生物学的画像解析は伝統的に、細胞や他の実体に対する特定の視覚特性の測定に重点を置いてきた。 イメージベースのプロファイリングは、多くの異なる視覚的特徴を定量化し、細胞状態、薬物反応、疾患のメカニズムに隠されたパターンを明らかにするために包括的プロファイルを形成する。 CellProfilerのような現在のツールはこれらの機能セットを生成することができるが、自動化され再現可能な分析には大きな障壁があり、機械学習ワークフローを妨げている。 ここでは,CellProfilerのコア計測機能を,プログラム的特徴抽出用に設計されたモジュール型APIファーストツールに抽出するPythonライブラリであるcp_measureを紹介する。 科学的なPythonエコシステムとのシームレスな統合を実現しつつ、cp_measure機能がCellProfiler機能と高い忠実性を保っていることを実証した。 3次元アストロサイトイメージングと空間転写学の応用を通じて、計算生物学における機械学習応用に効果的にスケールする、再現可能な自動画像ベースプロファイリングパイプラインがcp_measureによってどのように実現されるかを示す。

関連論文リスト

• PyUAT: Open-source Python framework for efficient and scalable cell tracking [0.0]
  PyUATは、タイムラプスイメージングにおいて微生物細胞を追跡するための効率的でモジュール化されたPython実装である。 大規模な2D+tデータセット上での性能を実証し、モジュラー生体モデルと撮像間隔が追跡性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2025-03-27T18:43:08Z)
• Cellpose+, a morphological analysis tool for feature extraction of stained cell images [31.874825130479174]
  本稿では,機能抽出機能を備えた最先端のセルセグメンテーションフレームワークであるCellposeの適用範囲を拡大する。 また,本手法を適用したDAPIおよびFITC染色細胞のデータセットも導入した。
  論文  参考訳（メタデータ） (2024-10-24T13:41:40Z)
• PyCellMech: A shape-based feature extraction pipeline for use in medical and biological studies [0.0]
  医学研究者は身体計測と画像データを用いて障害の予防と治療に関する知識を得る。 この取り組みを支援するために、画像構造からデータを集めるように設計された特徴抽出パッケージが利用可能である。 PyCellMechパッケージは、一次元、幾何学的、多角形に分類される3種類の形状特徴を抽出する。
  論文  参考訳（メタデータ） (2024-05-24T13:55:42Z)
• Grad-CAMO: Learning Interpretable Single-Cell Morphological Profiles from 3D Cell Painting Images [0.0]
  教師付き特徴抽出器のための新しい単一セル解釈可能性スコアであるGrad-CAMOを紹介する。 Grad-CAMOは、関心の細胞と背景の細胞に集中しているモデルの注意率を測定する。
  論文  参考訳（メタデータ） (2024-03-26T11:48:37Z)
• Learning multi-scale functional representations of proteins from single-cell microscopy data [77.34726150561087]
  局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。 また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-24T00:00:07Z)
• 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)
• Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
  統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。 このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。 我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
  論文  参考訳（メタデータ） (2020-08-14T16:48:29Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。