論文の概要: Optimal transport unlocks end-to-end learning for single-molecule localization

• arxiv url: http://arxiv.org/abs/2512.10683v1
• Date: Thu, 11 Dec 2025 14:30:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.410912
• Title: Optimal transport unlocks end-to-end learning for single-molecule localization
• Title（参考訳）: 単一分子ローカライゼーションのためのエンドツーエンド学習のための最適トランスポート
• Authors: Romain Seailles, Jean-Baptiste Masson, Jean Ponce, Julien Mairal,
• Abstract要約: 単分子局在顕微鏡は、回折限界を超える生物学的関連構造の再構成を可能にする。 現在、効率的なSMLMは重複しない蛍光蛍光体を必要とする。 最近のディープラーニングアプローチは、より高密度な放出を扱うことができるが、それらは最大ではない抑制の変種に依存している。 本稿では,顕微鏡の光学系に関する知識をモデル内に組み込んだ反復型ニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 26.867838368484268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-molecule localization microscopy (SMLM) allows reconstructing biology-relevant structures beyond the diffraction limit by detecting and localizing individual fluorophores -- fluorescent molecules stained onto the observed specimen -- over time to reconstruct super-resolved images. Currently, efficient SMLM requires non-overlapping emitting fluorophores, leading to long acquisition times that hinders live-cell imaging. Recent deep-learning approaches can handle denser emissions, but they rely on variants of non-maximum suppression (NMS) layers, which are unfortunately non-differentiable and may discard true positives with their local fusion strategy. In this presentation, we reformulate the SMLM training objective as a set-matching problem, deriving an optimal-transport loss that eliminates the need for NMS during inference and enables end-to-end training. Additionally, we propose an iterative neural network that integrates knowledge of the microscope's optical system inside our model. Experiments on synthetic benchmarks and real biological data show that both our new loss function and architecture surpass the state of the art at moderate and high emitter densities. Code is available at https://github.com/RSLLES/SHOT.
• Abstract（参考訳）: 単一分子局在顕微鏡(SMLM)は、蛍光蛍光体(観察された試料に染色された蛍光分子)を検出、局在させることで、回折限界を超える生物学的関連構造を時間をかけて再構築し、超解像を再構成することを可能にする。 現在、効率的なSMLMは非重なり合う蛍光フッ化物を必要とするため、ライブセルイメージングを妨げている長い取得時間に繋がる。 近年のディープラーニングアプローチでは、より高密度なエミッションを処理できるが、非最大抑圧(NMS)層の変種に依存している。 本発表では,SMLMトレーニング目標をセットマッチング問題として再構成し,推論中のNMSの必要性を排除し,エンドツーエンドのトレーニングを可能にする最適輸送損失を導出する。 さらに,顕微鏡の光学系に関する知識をモデル内に組み込んだ反復型ニューラルネットワークを提案する。 人工的なベンチマークと実際の生物学的データの実験から、我々の新しい損失関数とアーキテクチャはどちらも、中等度で高エミッタ密度の最先端技術を上回っていることがわかる。 コードはhttps://github.com/RSLLES/SHOTで公開されている。

関連論文リスト

• $μ$NeuFMT: Optical-Property-Adaptive Fluorescence Molecular Tomography via Implicit Neural Representation [17.533721844205687]
  蛍光分子線トモグラフィー(FMT)は、蛍光プローブの非侵襲的な3次元可視化技術として有望である。 我々は,暗黙的なニューラルベースシーン表現と光子伝播の明示的な物理モデリングを統合した自己教師型FMT再構成フレームワークである$mu$NeuFMTを提案する。 我々の研究は、堅牢で正確なFMT再構成のための新しいパラダイムを確立し、複雑な臨床関連シナリオにおけるより信頼性の高い分子イメージングの道を開く。
  論文  参考訳（メタデータ） (2025-11-06T16:28:30Z)
• CAF-YOLO: A Robust Framework for Multi-Scale Lesion Detection in Biomedical Imagery [0.0682074616451595]
  CAF-YOLOは、畳み込みニューラルネットワーク(CNN)とトランスフォーマーの強みを活用する、医学的対象検出のための、巧妙で堅牢な方法である。 ACFMモジュールはグローバル機能とローカル機能の両方のモデリングを強化し、長期的な機能依存のキャプチャを可能にする。 MSNNは多様なスケールにまたがる特徴を抽出することで、マルチスケールの情報集約を改善する。
  論文  参考訳（メタデータ） (2024-08-04T01:44:44Z)
• Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
  我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。 提案手法は, 監視対象の性能を超過する。
  論文  参考訳（メタデータ） (2024-03-25T17:40:32Z)
• Evaluation of Activated Sludge Settling Characteristics from Microscopy Images with Deep Convolutional Neural Networks and Transfer Learning [7.636901972162706]
  本研究では, 活性汚泥沈降特性を評価するために, コンピュータビジョンに基づく革新的な手法を提案する。 深層畳み込みニューラルネットワーク(CNN)モデルの伝達学習の実装により,既存の定量的画像解析技術の限界を克服することを目的とした。 Inception v3, ResNet18, ResNet152, ConvNeXt-nano, ConvNeXt-S などのCNNアーキテクチャを用いて, 汚泥沈降特性の評価を行った。
  論文  参考訳（メタデータ） (2024-02-14T18:13:37Z)
• Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
  ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。 我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。 提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-02-04T09:07:28Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Fluctuation-based deconvolution in fluorescence microscopy using plug-and-play denoisers [2.236663830879273]
  蛍光顕微鏡で得られた生きた試料の画像の空間分解能は、可視光の回折により物理的に制限される。 この制限を克服するために、いくつかのデコンボリューションと超解像技術が提案されている。
  論文  参考訳（メタデータ） (2023-03-20T15:43:52Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• 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。