論文の概要: Big Data, Tiny Targets: An Exploratory Study in Machine Learning-enhanced Detection of Microplastic from Filters
- arxiv url: http://arxiv.org/abs/2510.18089v1
- Date: Mon, 20 Oct 2025 20:35:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:12.562991
- Title: Big Data, Tiny Targets: An Exploratory Study in Machine Learning-enhanced Detection of Microplastic from Filters
- Title（参考訳）: Big Data, Tiny Targets: 機械学習によるフィルタからのマイクロプラスチックの検出に関する探索的研究
- Authors: Paul-Tiberiu Miclea, Martin Sboron, Hardik Vaghasiya, Hoang Thinh Nguyen, Meet Gadara, Thomas Schmid,
- Abstract要約: マイクロプラスチック(MP)はユビキタス汚染物質であり、生態系や人間の健康に影響を及ぼす可能性がある。
機械学習(ML)は、マイクロプラスチック検出を前進させる強力なツールとして登場した。
- 参考スコア（独自算出の注目度）: 0.6489352828665196
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Microplastics (MPs) are ubiquitous pollutants with demonstrated potential to impact ecosystems and human health. Their microscopic size complicates detection, classification, and removal, especially in biological and environmental samples. While techniques like optical microscopy, Scanning Electron Microscopy (SEM), and Atomic Force Microscopy (AFM) provide a sound basis for detection, applying these approaches requires usually manual analysis and prevents efficient use in large screening studies. To this end, machine learning (ML) has emerged as a powerful tool in advancing microplastic detection. In this exploratory study, we investigate potential, limitations and future directions of advancing the detection and quantification of MP particles and fibres using a combination of SEM imaging and machine learning-based object detection. For simplicity, we focus on a filtration scenario where image backgrounds exhibit a symmetric and repetitive pattern. Our findings indicate differences in the quality of YOLO models for the given task and the relevance of optimizing preprocessing. At the same time, we identify open challenges, such as limited amounts of expert-labeled data necessary for reliable training of ML models.
- Abstract（参考訳）: マイクロプラスチック(MP)はユビキタス汚染物質であり、生態系や人間の健康に影響を及ぼす可能性がある。
顕微鏡サイズは、特に生物学的および環境サンプルにおいて、検出、分類、除去を複雑にする。
光学顕微鏡、走査電子顕微鏡(SEM)、原子間力顕微鏡(AFM)などの技術は、検出のための音響的基盤を提供するが、これらの手法を適用するには、通常は手動解析が必要であり、大規模なスクリーニング研究で効率的な使用を防止する必要がある。
この目的のために、機械学習(ML)は、マイクロプラスチック検出を前進させる強力なツールとして登場した。
本研究では,SEMイメージングと機械学習による物体検出を組み合わせることで,MP粒子と繊維の検出・定量化を推し進める可能性,限界,今後の方向性について検討する。
簡単に言えば、画像背景が対称かつ反復的なパターンを示すフィルターシナリオに焦点を当てる。
本研究は,与えられたタスクに対するYOLOモデルの品質と,事前処理の最適化との関連性に差異があることを示唆する。
同時に、MLモデルの信頼性トレーニングに必要な専門家ラベル付きデータの限られた量など、オープンな課題を特定します。
関連論文リスト
- Disentangled representations of microscopy images [0.9849635250118911]
本研究は、顕微鏡画像分類のためのモデル解釈可能性を高めるために、DRL法を提案する。
本稿では,合成データから学習した表現の伝達に基づくDRLフレームワークが,この領域における精度と解釈可能性とのトレードオフを良好に実現できることを示す。
論文 参考訳（メタデータ） (2025-06-25T17:44:37Z) - Morphological Detection and Classification of Microplastics and Nanoplastics Emerged from Consumer Products by Deep Learning [1.21387493410444]
プラスチック汚染は世界的な問題となり、健康や環境システムに影響を及ぼす。
これらの汚染物質を研究する伝統的な方法は、労働集約的で時間を要する。
本稿では,マイクロ・ナノプラスチックの自動検出と分類を目的とした,新しいオープンソースデータセットであるMiNaとマイクロ・ナノプラスチックについて紹介する。
論文 参考訳（メタデータ） (2024-09-20T17:56:25Z) - Masked Autoencoders for Microscopy are Scalable Learners of Cellular Biology [2.7280901660033643]
本研究は、弱教師付き分類器と自己教師付きマスク付きオートエンコーダ(MAE)のスケーリング特性について検討する。
以上の結果から,ViTをベースとしたMAEは,様々なタスクにおいて弱い教師付き分類器よりも優れており,公的なデータベースから得られた既知の生物学的関係を思い出すと,11.5%の相対的な改善が達成されることがわかった。
我々は、異なる数のチャネルと順序の画像を推論時に入力できる新しいチャネルに依存しないMAEアーキテクチャ(CA-MAE)を開発した。
論文 参考訳（メタデータ） (2024-04-16T02:42:06Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [45.62331048595689]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・ディベサール・ネットワーク(cGAN)アーキテクチャを用いて,ヒト・コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - Human-in-the-loop: The future of Machine Learning in Automated Electron
Microscopy [0.6760163180787716]
MLに基づくアクティブな実験を設計する際の考慮事項について論じる。
今後数年間の計画としては、人力による自動実験が考えられる。
論文 参考訳（メタデータ） (2023-10-08T05:26:32Z) - 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) - Application of the YOLOv5 Model for the Detection of Microobjects in the
Marine Environment [101.18253437732933]
海洋環境における微小物体の自動検出と認識の問題を解決するためのYOLOV5機械学習モデルの有効性について検討した。
論文 参考訳（メタデータ） (2022-11-28T10:58:50Z) - Increasing a microscope's effective field of view via overlapped imaging
and machine learning [4.23935174235373]
この研究は、高効率自動検体分析のために単一のセンサー上で複数の独立した視野を重畳するマルチレンズ顕微鏡イメージングシステムを示す。
論文 参考訳（メタデータ） (2021-10-10T22:52:36Z) - Deep neural networks approach to microbial colony detection -- a
comparative analysis [52.77024349608834]
本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。
得られた結果は将来の実験のベンチマークとして機能するかもしれない。
論文 参考訳（メタデータ） (2021-08-23T12:06:00Z) - 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)
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。