論文の概要: Foreground-aware Virtual Staining for Accurate 3D Cell Morphological Profiling

• arxiv url: http://arxiv.org/abs/2507.05383v1
• Date: Mon, 07 Jul 2025 18:11:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.291525
• Title: Foreground-aware Virtual Staining for Accurate 3D Cell Morphological Profiling
• Title（参考訳）: 精密な3次元細胞形態計測のための前景認識仮想染色
• Authors: Alexandr A. Kalinin, Paula Llanos, Theresa Maria Sommer, Giovanni Sestini, Xinhai Hou, Jonathan Z. Sexton, Xiang Wan, Ivo D. Dinov, Brian D. Athey, Nicolas Rivron, Anne E. Carpenter, Beth Cimini, Shantanu Singh, Matthew J. O'Meara,
• Abstract要約: スポットライト(Spotlight)は、モデルが関連する細胞構造に焦点を合わせるための仮想染色手法である。 Spotlightはピクセルレベルの精度を維持しながら形態表現を改善し、セグメント化やプロファイリングといった下流タスクに適した仮想染色を実現する。
• 参考スコア（独自算出の注目度）: 44.74519211679785
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Microscopy enables direct observation of cellular morphology in 3D, with transmitted-light methods offering low-cost, minimally invasive imaging and fluorescence microscopy providing specificity and contrast. Virtual staining combines these strengths by using machine learning to predict fluorescence images from label-free inputs. However, training of existing methods typically relies on loss functions that treat all pixels equally, thus reproducing background noise and artifacts instead of focusing on biologically meaningful signals. We introduce Spotlight, a simple yet powerful virtual staining approach that guides the model to focus on relevant cellular structures. Spotlight uses histogram-based foreground estimation to mask pixel-wise loss and to calculate a Dice loss on soft-thresholded predictions for shape-aware learning. Applied to a 3D benchmark dataset, Spotlight improves morphological representation while preserving pixel-level accuracy, resulting in virtual stains better suited for downstream tasks such as segmentation and profiling.
• Abstract（参考訳）: 顕微鏡は細胞形態を3Dで直接観察することができ、透過光法は低コストで最小侵襲のイメージングと蛍光顕微鏡を提供し、特異性とコントラストを提供する。 仮想染色は、機械学習を用いてラベルなし入力から蛍光画像を予測することによって、これらの強度を組み合わせる。 しかし、既存の手法の訓練は、通常、すべてのピクセルを等しく扱う損失関数に依存するため、生物学的に意味のある信号ではなく、背景ノイズやアーティファクトを再現する。 Spotlightはシンプルなが強力な仮想染色手法で、関連する細胞構造に焦点を合わせる。 Spotlightは、ヒストグラムに基づく前景推定を用いて画素単位の損失を隠蔽し、形状認識学習のためのソフトスレッショルド予測におけるDice損失を算出する。 3Dベンチマークデータセットに適用されたSpotlightは、ピクセルレベルの精度を維持しながら形態表現を改善し、セグメンテーションやプロファイリングといった下流タスクに適した仮想染色を実現する。

関連論文リスト

• From Fibers to Cells: Fourier-Based Registration Enables Virtual Cresyl Violet Staining From 3D Polarized Light Imaging [32.73124984242397]
  脳の微細構造の様々な側面を包括的に評価するには、補完的なイメージング技術を用いる必要がある。 細胞構造解析における金の標準は、細胞体染色組織の光顕微鏡イメージングである。 画像間翻訳の深層学習手法を利用して,空間的に細胞レベルで整列した3D-PLIの仮想染色を生成する。
  論文  参考訳（メタデータ） (2025-05-16T15:59:15Z)
• Hierarchical Sparse Attention Framework for Computationally Efficient Classification of Biological Cells [0.0]
  SparseAttnNetは、効率的な画像分類のための新しい階層型アテンション駆動フレームワークである。 生体細胞画像の場合、SparseAttnNetは全画像の代わりに約15%のピクセルを処理可能であることを示す。
  論文  参考訳（メタデータ） (2025-05-12T15:29:08Z)
• Volumetric Mapping with Panoptic Refinement via Kernel Density Estimation for Mobile Robots [2.8668675011182967]
  移動ロボットは通常、軽量ネットワークを使用してRGB画像上にオブジェクトを分割し、深度マップを介してそれらをローカライズする。 非パラメトリックな統計的手法を用いて分割誤差を補修することで3次元シーン再構成における汎視的セグメンテーション品質の問題に対処する。 予測マスクを深度フレームにマッピングし,カーネル密度を用いて分布を推定する。 奥行き知覚の外れ値は、追加のパラメータを必要とせずに拒否される。
  論文  参考訳（メタデータ） (2024-12-15T16:46:23Z)
• MM3DGS SLAM: Multi-modal 3D Gaussian Splatting for SLAM Using Vision, Depth, and Inertial Measurements [59.70107451308687]
  カメラ画像と慣性測定による地図表現に3Dガウスアンを用いることで、精度の高いSLAMが実現できることを示す。 我々の手法であるMM3DGSは、より高速なスケール認識と軌道追跡の改善により、事前レンダリングの限界に対処する。 また,カメラと慣性測定ユニットを備えた移動ロボットから収集したマルチモーダルデータセットUT-MMもリリースした。
  論文  参考訳（メタデータ） (2024-04-01T04:57:41Z)
• Differentiable Blocks World: Qualitative 3D Decomposition by Rendering Primitives [70.32817882783608]
  本稿では,3次元プリミティブを用いて,シンプルでコンパクトで動作可能な3次元世界表現を実現する手法を提案する。 既存の3次元入力データに依存するプリミティブ分解法とは異なり,本手法は画像を直接操作する。 得られたテクスチャ化されたプリミティブは入力画像を忠実に再構成し、視覚的な3Dポイントを正確にモデル化する。
  論文  参考訳（メタデータ） (2023-07-11T17:58:31Z)
• 3D shape reconstruction of semi-transparent worms [0.950214811819847]
  3D形状の再構成は通常、被写体の複数の画像に物体の特徴やテクスチャを特定する必要がある。 ここでは、画像と比較するために、適応的ぼかしと透明度で候補形状を描画することで、これらの課題を克服する。 本研究は,線虫類の細いカエノルハブディティ・エレガンスを,生物学的にインフォームドされた制約や規則化を自然に許容する内在的パラメトリションを用いて3次元曲線としてモデル化する。
  論文  参考訳（メタデータ） (2023-04-28T13:29:36Z)
• Estimation of Optical Aberrations in 3D Microscopic Bioimages [1.588193964339148]
  生体試料の3次元画像に使用可能なPhaseNetの拡張について述べる。 我々は、Richardson-Lucyデコンボリューションを通じて、Pythonベースのイメージの復元を追加します。 予測されたPSFとのデコンボリューションは, 模擬収差を除去するだけでなく, 未知のPSFをともなう実際の生顕微鏡画像の品質を向上させることができる。
  論文  参考訳（メタデータ） (2022-09-16T13:22:25Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)

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。