論文の概要: CellFMCount: A Fluorescence Microscopy Dataset, Benchmark, and Methods for Cell Counting

• arxiv url: http://arxiv.org/abs/2511.19351v1
• Date: Mon, 24 Nov 2025 17:53:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.353251
• Title: CellFMCount: A Fluorescence Microscopy Dataset, Benchmark, and Methods for Cell Counting
• Title（参考訳）: CellFMCount: 蛍光顕微鏡データセット, ベンチマーク, および細胞計数方法
• Authors: Abdurahman Ali Mohammed, Catherine Fonder, Ying Wei, Wallapak Tavanapong, Donald S Sakaguchi, Qi Li, Surya K. Mallapragada,
• Abstract要約: 細胞分化に関する免疫細胞化学実験から得られた3,023ドルの画像からなる大規模アノテートデータセットを紹介した。 データセットは、高い細胞密度、重なり合い、形態的に多様な細胞、画像当たりの細胞数の長期分布、染色プロトコルのバリエーションなど、重要な課題を提示する。 我々は、Segment Anything Model(SAM)の密度マップに基づく適応を実装し、平均絶対誤差(MAE)を22.12ドルと報告し、既存のアプローチより優れている。
• 参考スコア（独自算出の注目度）: 10.191134773938566
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate cell counting is essential in various biomedical research and clinical applications, including cancer diagnosis, stem cell research, and immunology. Manual counting is labor-intensive and error-prone, motivating automation through deep learning techniques. However, training reliable deep learning models requires large amounts of high-quality annotated data, which is difficult and time-consuming to produce manually. Consequently, existing cell-counting datasets are often limited, frequently containing fewer than $500$ images. In this work, we introduce a large-scale annotated dataset comprising $3{,}023$ images from immunocytochemistry experiments related to cellular differentiation, containing over $430{,}000$ manually annotated cell locations. The dataset presents significant challenges: high cell density, overlapping and morphologically diverse cells, a long-tailed distribution of cell count per image, and variation in staining protocols. We benchmark three categories of existing methods: regression-based, crowd-counting, and cell-counting techniques on a test set with cell counts ranging from $10$ to $2{,}126$ cells per image. We also evaluate how the Segment Anything Model (SAM) can be adapted for microscopy cell counting using only dot-annotated datasets. As a case study, we implement a density-map-based adaptation of SAM (SAM-Counter) and report a mean absolute error (MAE) of $22.12$, which outperforms existing approaches (second-best MAE of $27.46$). Our results underscore the value of the dataset and the benchmarking framework for driving progress in automated cell counting and provide a robust foundation for future research and development.
• Abstract（参考訳）: 正確な細胞数測定は、癌診断、幹細胞研究、免疫学など、様々な生物医学研究および臨床応用に不可欠である。 手動カウントは、労働集約的でエラーを起こし、ディープラーニング技術による自動化を動機付けます。 しかし、信頼できるディープラーニングモデルのトレーニングには、大量の高品質な注釈付きデータが必要である。 その結果、既存のセルカウントデータセットはしばしば制限され、しばしば500ドル以下の画像を含む。 本研究では,細胞分化に関する免疫細胞化学実験から得られた3,023ドルの画像からなる大規模アノテートデータセットについて紹介する。 データセットは、高い細胞密度、重なり合い、形態的に多様な細胞、画像当たりの細胞数の長期分布、染色プロトコルのバリエーションなど、重要な課題を提示する。 画像あたりのセル数10$から2{,}126$までのセル数を持つテストセットに対して,回帰ベース,集団カウント,セルカウントの3つの手法をベンチマークした。 また,ドットアノテートしたデータセットのみを用いて,Segment Anything Model (SAM) を顕微鏡細胞計数に適用する方法について検討した。 ケーススタディでは、SAM(SAM-Counter)の密度マップに基づく適応を実装し、平均絶対誤差(MAE)を22.12ドルと報告し、既存のアプローチよりも優れている(第2位は27.46ドル)。 この結果から, 自動セルカウントの進展を推し進めるためのデータセットとベンチマークフレームワークの価値が評価され, 今後の研究・開発のための堅牢な基盤が提供される。

関連論文リスト

• 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)
• Cell as Point: One-Stage Framework for Efficient Cell Tracking [56.98130311648714]
  本稿では,セルをポイントとして扱うことで細胞追跡を再現する新しいエンド・ツー・エンドのワンステージフレームワークであるCAPを提案する。 従来の方法とは異なり、CAPは明示的な検出やセグメンテーションの必要性を排除し、代わりに、その軌道間の固有の相関を利用して、1段階の配列の細胞を共同で追跡する。 Capは有望なセルトラッキング性能を示し、既存の方法の8倍から32倍の効率である。
  論文  参考訳（メタデータ） (2024-11-22T10:16:35Z)
• IDCIA: Immunocytochemistry Dataset for Cellular Image Analysis [0.5057850174013127]
  そこで我々は,細胞画像解析のための機械学習手法の有効性を向上させるために,新しい注釈付き微視的セル画像データセットを提案する。 我々のデータセットには、細胞の顕微鏡像と、各画像、細胞数、細胞の位置が含まれています。
  論文  参考訳（メタデータ） (2024-11-13T19:33:08Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• 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 Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• VOLTA: an Environment-Aware Contrastive Cell Representation Learning for Histopathology [0.3436781233454516]
  病理組織像における細胞表現学習のための自己組織化フレームワーク(VOLTA)を提案する。 我々は、世界中の複数の機関から収集されたデータに関する広範な実験にモデルを適用した。 提案フレームワークの有効性を明らかにするため, 卵巣癌および子宮内膜癌にVOLTAを応用した。
  論文  参考訳（メタデータ） (2023-03-08T16:35:47Z)
• Classification Beats Regression: Counting of Cells from Greyscale Microscopic Images based on Annotation-free Training Samples [20.91256120719461]
  本研究は、注釈付きトレーニング画像を用いることなく、グレースケールの顕微鏡画像から細胞をカウントする教師あり学習フレームワークを提案する。 我々は、セルカウントタスクを画像分類問題として定式化し、セルカウントをクラスラベルとする。 これらの制約に対処するために,未確認の細胞数に対する画像の合成を行う,単純だが効果的なデータ拡張法を提案する。
  論文  参考訳（メタデータ） (2020-10-28T06:19:30Z)
• 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)
• Learning to segment clustered amoeboid cells from brightfield microscopy via multi-task learning with adaptive weight selection [6.836162272841265]
  マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。 ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。 検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
  論文  参考訳（メタデータ） (2020-05-19T11:31:53Z)

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。