論文の概要: Improved Sub-Visible Particle Classification in Flow Imaging Microscopy via Generative AI-Based Image Synthesis

• arxiv url: http://arxiv.org/abs/2508.06021v1
• Date: Fri, 08 Aug 2025 05:15:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.083913
• Title: Improved Sub-Visible Particle Classification in Flow Imaging Microscopy via Generative AI-Based Image Synthesis
• Title（参考訳）: 生成AI画像合成によるフローイメージング顕微鏡における部分可視粒子分類の改善
• Authors: Utku Ozbulak, Michaela Cohrs, Hristo L. Svilenov, Joris Vankerschaver, Wesley De Neve,
• Abstract要約: フローイメージング顕微鏡とディープラーニングを組み合わせたサブ可視粒子分析は,粒子のタイプ同定に有効であることが証明された。 しかし、利用可能なデータの不足とデータセット内の粒子タイプ間の深刻な不均衡は、依然として大きなハードルとなっている。 トレーニングデータセットを拡張可能な高忠実度画像を生成することにより、データの不均衡に対処する最先端拡散モデルを開発する。
• 参考スコア（独自算出の注目度）: 1.172405562070645
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Sub-visible particle analysis using flow imaging microscopy combined with deep learning has proven effective in identifying particle types, enabling the distinction of harmless components such as silicone oil from protein particles. However, the scarcity of available data and severe imbalance between particle types within datasets remain substantial hurdles when applying multi-class classifiers to such problems, often forcing researchers to rely on less effective methods. The aforementioned issue is particularly challenging for particle types that appear unintentionally and in lower numbers, such as silicone oil and air bubbles, as opposed to protein particles, where obtaining large numbers of images through controlled settings is comparatively straightforward. In this work, we develop a state-of-the-art diffusion model to address data imbalance by generating high-fidelity images that can augment training datasets, enabling the effective training of multi-class deep neural networks. We validate this approach by demonstrating that the generated samples closely resemble real particle images in terms of visual quality and structure. To assess the effectiveness of using diffusion-generated images in training datasets, we conduct large-scale experiments on a validation dataset comprising 500,000 protein particle images and demonstrate that this approach improves classification performance with no negligible downside. Finally, to promote open research and reproducibility, we publicly release both our diffusion models and the trained multi-class deep neural network classifiers, along with a straightforward interface for easy integration into future studies, at https://github.com/utkuozbulak/svp-generative-ai.
• Abstract（参考訳）: フローイメージング顕微鏡とディープラーニングを組み合わせたサブビジュアブル粒子分析は,シリコーンオイルなどの無害成分をタンパク質粒子と区別し,粒子の種類を特定するのに有効であることが証明された。 しかし、利用可能なデータの不足とデータセット内の粒子タイプ間の深刻な不均衡は、そのような問題にマルチクラス分類器を適用する際に重大なハードルであり、しばしば研究者はより効果的な方法に頼らざるを得ない。 上記の問題は、シリコーンオイルや気泡のような意図せず低い数の粒子に対して特に困難であり、制御された設定によって大量の画像を取得することは比較的容易である。 本研究では,マルチクラスディープニューラルネットワークの効果的なトレーニングを可能にするために,データセットを拡張可能な高忠実度画像を生成することにより,データの不均衡に対処する最先端拡散モデルを開発する。 生成したサンプルが実粒子画像とよく似ていることを視覚的品質と構造の観点から示すことにより,本手法の有効性を検証した。 学習データセットにおける拡散生成画像の有効性を評価するため,50,000個のタンパク質粒子画像からなる検証データセット上で大規模な実験を行い,本手法が無視できない欠点なく分類性能を向上させることを実証した。 最後に、オープンな研究と再現性を促進するために、我々の拡散モデルと訓練された多クラスディープニューラルネットワーク分類器の両方を公開し、将来の研究を簡単に統合するためのインターフェースをhttps://github.com/utkuozbulak/svp-generative-aiで公開します。

関連論文リスト

• Diffusion Prism: Enhancing Diversity and Morphology Consistency in Mask-to-Image Diffusion [4.0301593672451]
  Diffusion Prismは、バイナリマスクを現実的で多様なサンプルに変換する、トレーニング不要のフレームワークである。 少量の人工ノイズが画像デノゲーションプロセスに大きく役立つことを探る。
  論文  参考訳（メタデータ） (2025-01-01T20:04:25Z)
• Self-Supervised and Few-Shot Learning for Robust Bioaerosol Monitoring [0.0]
  バイオエアロゾル粒子のホログラフィー画像の分類に自己教師付き学習と少数ショット学習を組み合わせることができることを示す。 本研究は,リアルタイムバイオエアロゾルモニタリングを効果的に最適化できることを示唆する。
  論文  参考訳（メタデータ） (2024-06-14T12:48:26Z)
• A Phase Transition in Diffusion Models Reveals the Hierarchical Nature of Data [51.03144354630136]
  最近の進歩は、拡散モデルが高品質な画像を生成することを示している。 我々はこの現象を階層的なデータ生成モデルで研究する。 t$の後に作用する後方拡散過程は相転移によって制御される。
  論文  参考訳（メタデータ） (2024-02-26T19:52:33Z)
• Feedback Efficient Online Fine-Tuning of Diffusion Models [52.170384048274364]
  提案手法は, 実現可能なサンプルの多様体上で効率的に探索できる新しい強化学習手法である。 本稿では,3つの領域にまたがる実証的検証とともに,後悔の保証を提供する理論的解析を提案する。
  論文  参考訳（メタデータ） (2024-02-26T07:24:32Z)
• Training Class-Imbalanced Diffusion Model Via Overlap Optimization [55.96820607533968]
  実世界のデータセットで訓練された拡散モデルは、尾クラスの忠実度が劣ることが多い。 拡散モデルを含む深い生成モデルは、豊富な訓練画像を持つクラスに偏りがある。 本研究では,異なるクラスに対する合成画像の分布の重複を最小限に抑えるために,コントラスト学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-02-16T16:47:21Z)
• DiffMix: Diffusion Model-based Data Synthesis for Nuclei Segmentation and Classification in Imbalanced Pathology Image Datasets [8.590026259176806]
  拡散モデルを用いた現実的なデータ合成法を提案する。 トレーニングデータの配布を拡大するために,仮想パッチを2種類生成する。 意味ラベル条件付き拡散モデルを用いて、現実的で高品質な画像サンプルを生成する。
  論文  参考訳（メタデータ） (2023-06-25T05:31:08Z)
• Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
  大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。 分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。 我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
  論文  参考訳（メタデータ） (2023-03-28T17:59:56Z)
• Unpaired Image-to-Image Translation with Limited Data to Reveal Subtle Phenotypes [0.5076419064097732]
  本稿では,多数の画像の必要性を軽減するために,自己教師付き識別器を用いた改良型CycleGANアーキテクチャを提案する。 また, 生物学的データセットを用いて, 明らかな細胞表現型および非予防的な細胞表現型変異について検討した。
  論文  参考訳（メタデータ） (2023-01-21T16:25:04Z)
• Synthetic Image Rendering Solves Annotation Problem in Deep Learning Nanoparticle Segmentation [5.927116192179681]
  レンダリングソフトウェアを使用することで、リアルで合成されたトレーニングデータを生成して、最先端の深層ニューラルネットワークをトレーニングできることが示される。 有害な金属酸化物ナノ粒子アンサンブルに対する人為的アノテーションに匹敵するセグメンテーション精度を導出する。
  論文  参考訳（メタデータ） (2020-11-20T17:05:36Z)

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。