論文の概要: Diffusion-Based Synthetic Brightfield Microscopy Images for Enhanced Single Cell Detection

• arxiv url: http://arxiv.org/abs/2512.00078v1
• Date: Tue, 25 Nov 2025 08:57:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.04524
• Title: Diffusion-Based Synthetic Brightfield Microscopy Images for Enhanced Single Cell Detection
• Title（参考訳）: 拡散型Brightfield顕微鏡による単一細胞検出の高速化
• Authors: Mario de Jesus da Graca, Jörg Dahlkemper, Peer Stelldinger,
• Abstract要約: 本研究では,無条件モデルを用いた合成光電場顕微鏡画像の生成について検討する。 U-Netベースの拡散モデルをトレーニングし、合成画像と実画像の比率の異なるデータセットを作成するために使用した。 YOLOv8, YOLOv9, RT-DETRを用いた実験では, 合成データによるトレーニングにより検出精度が向上することが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate single cell detection in brightfield microscopy is crucial for biological research, yet data scarcity and annotation bottlenecks limit the progress of deep learning methods. We investigate the use of unconditional models to generate synthetic brightfield microscopy images and evaluate their impact on object detection performance. A U-Net based diffusion model was trained and used to create datasets with varying ratios of synthetic and real images. Experiments with YOLOv8, YOLOv9 and RT-DETR reveal that training with synthetic data can achieve improved detection accuracies (at minimal costs). A human expert survey demonstrates the high realism of generated images, with experts not capable to distinguish them from real microscopy images (accuracy 50%). Our findings suggest that diffusion-based synthetic data generation is a promising avenue for augmenting real datasets in microscopy image analysis, reducing the reliance on extensive manual annotation and potentially improving the robustness of cell detection models.
• Abstract（参考訳）: 光電場顕微鏡における正確な単細胞検出は生物学的研究に不可欠であるが、データ不足とアノテーションのボトルネックは深層学習法の進歩を妨げている。 本研究では、無条件モデルを用いて合成光電場顕微鏡画像を生成し、物体検出性能への影響を評価する。 U-Netベースの拡散モデルをトレーニングし、合成画像と実画像の比率の異なるデータセットを作成するために使用した。 YOLOv8、YOLOv9、RT-DETRによる実験では、合成データによるトレーニングによって(最小限のコストで)検出精度が向上することが示された。 人間の専門家による調査では、生成された画像の高度なリアリズムが示され、専門家はそれらを実際の顕微鏡画像と区別することができない(精度50%)。 以上の結果から,拡散型合成データ生成は,顕微鏡画像解析における実際のデータセットの増大,広範囲な手動アノテーションへの依存の低減,細胞検出モデルの堅牢性の向上につながる可能性が示唆された。

関連論文リスト

• High-Throughput Low-Cost Segmentation of Brightfield Microscopy Live Cell Images [3.175346985850522]
  本研究は,光電場顕微鏡で観察した無残な生細胞のセグメンテーションに焦点を当てた。 冷凍エンコーダの比較分析を取り入れた低コストCNNパイプラインを開発した。 このモデルは、多様な生きた細胞変異を特徴とする公開データセットで検証された。
  論文  参考訳（メタデータ） (2025-08-17T22:05:58Z)
• Improved Sub-Visible Particle Classification in Flow Imaging Microscopy via Generative AI-Based Image Synthesis [1.172405562070645]
  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。
  論文  参考訳（メタデータ） (2025-08-08T05:15:02Z)
• 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)
• MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
  MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。 このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。 六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
  論文  参考訳（メタデータ） (2024-12-12T15:01:39Z)
• Merging synthetic and real embryo data for advanced AI predictions [69.07284335967019]
  我々は、作成した2つのデータセットを用いて、2つの生成モデルをトレーニングし、既存の1つのデータセットを使用して、様々な細胞レベルで合成胚画像を生成する。 これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。 その結果,実データと合成画像を組み合わせることで分類性能が向上し,実データのみをトレーニングした場合の94.5%に比べて97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-12-02T08:24:49Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• LUCYD: A Feature-Driven Richardson-Lucy Deconvolution Network [0.31402652384742363]
  本稿では,ボリューム顕微鏡画像の復元手法であるLUCYDを提案する。 ルーシードはリチャードソン=ルーシーの脱畳み込み公式と、完全な畳み込みネットワークによって得られる深い特徴の融合を組み合わせた。 実験の結果,LUCYDは顕微鏡画像の解像度,コントラスト,全体的な画質を大幅に改善できることがわかった。
  論文  参考訳（メタデータ） (2023-07-16T10:34:23Z)
• 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)
• 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。