論文の概要: Glioma C6: A Novel Dataset for Training and Benchmarking Cell Segmentation

• arxiv url: http://arxiv.org/abs/2511.07286v1
• Date: Mon, 10 Nov 2025 16:33:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.370524
• Title: Glioma C6: A Novel Dataset for Training and Benchmarking Cell Segmentation
• Title（参考訳）: Glioma C6: 細胞セグメンテーションのトレーニングとベンチマークのための新しいデータセット
• Authors: Roman Malashin, Svetlana Pashkevich, Daniil Ilyukhin, Arseniy Volkov, Valeria Yachnaya, Andrey Denisov, Maria Mikhalkova,
• Abstract要約: Glioma C6は、グリオーマC6細胞のサンプルセグメンテーションのための新しいオープンデータセットである。 データセットは75個の高分解能位相コントラスト顕微鏡画像と12,000以上の注釈付き細胞からなる。 ソマアノテーションや、生物学者が提供した形態学的細胞分類が含まれる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present Glioma C6, a new open dataset for instance segmentation of glioma C6 cells, designed as both a benchmark and a training resource for deep learning models. The dataset comprises 75 high-resolution phase-contrast microscopy images with over 12,000 annotated cells, providing a realistic testbed for biomedical image analysis. It includes soma annotations and morphological cell categorization provided by biologists. Additional categorization of cells, based on morphology, aims to enhance the utilization of image data for cancer cell research. Glioma C6 consists of two parts: the first is curated with controlled parameters for benchmarking, while the second supports generalization testing under varying conditions. We evaluate the performance of several generalist segmentation models, highlighting their limitations on our dataset. Our experiments demonstrate that training on Glioma C6 significantly enhances segmentation performance, reinforcing its value for developing robust and generalizable models. The dataset is publicly available for researchers.
• Abstract（参考訳）: 我々は、グリオーマC6細胞の例分割のための新しいオープンデータセットであるGlioma C6を、ディープラーニングモデルのためのベンチマークとトレーニングリソースとして設計した。 このデータセットは、75個の高分解能位相コントラスト顕微鏡画像と12,000以上のアノテート細胞から構成され、バイオメディカル画像解析のための現実的なテストベッドを提供する。 ソマアノテーションや、生物学者が提供した形態学的細胞分類が含まれる。 形態学に基づく細胞の追加分類は、がん細胞研究における画像データの利用を高めることを目的としている。 Glioma C6は2つの部分から構成される: 1つはベンチマークのための制御されたパラメータでキュレーションされ、もう1つは様々な条件下での一般化テストをサポートする。 我々は,いくつかの一般化セグメンテーションモデルの性能を評価し,その限界をデータセット上で強調する。 実験により,Glioma C6のトレーニングはセグメンテーション性能を大幅に向上させ,ロバストで一般化可能なモデルを開発する上での価値を高めた。 データセットは研究者向けに公開されている。

関連論文リスト

• Towards Comprehensive Cellular Characterisation of H&E slides [0.27993409178463413]
  HistoPLUSは、細胞解析のための最先端のモデルである。 13種類の細胞を含む108,722個の核からなる、新しい硬化したパンがんデータセットを訓練する。 現在の最先端モデルでは、検出品質が5.2%、全体的なF1分類スコアが23.7%を上回っている。
  論文  参考訳（メタデータ） (2025-08-13T16:24:15Z)
• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• Practical Guidelines for Cell Segmentation Models Under Optical Aberrations in Microscopy [14.042884268397058]
  本研究は,光収差下でのセル画像のセグメンテーションモデルについて,蛍光顕微鏡と光電場顕微鏡を用いて評価する。 ネットワークヘッドの異なるOstoしきい値法やMask R-CNNなどのセグメンテーションモデルをトレーニングし,テストする。 対照的に、Cellpose 2.0は同様の条件下で複雑な細胞画像に有効であることが証明されている。
  論文  参考訳（メタデータ） (2024-04-12T15:45:26Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Multi-stream Cell Segmentation with Low-level Cues for Multi-modality Images [66.79688768141814]
  我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。 次に、分類ラベルに基づいて分類モデルを訓練する。 2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
  論文  参考訳（メタデータ） (2023-10-22T08:11:08Z)
• 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)
• CCRL: Contrastive Cell Representation Learning [0.0]
  本稿では,H&Eスライドにおけるセル識別のためのコントラストセル表現学習(CCRL)モデルを提案する。 このモデルは、組織の種類によって異なる2つのデータセットにまたがる大きなマージンで、現在利用可能なすべてのセルクラスタリングモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-12T18:12:03Z)

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。