論文の概要: MONET -- Virtual Cell Painting of Brightfield Images and Time Lapses Using Reference Consistent Diffusion

• arxiv url: http://arxiv.org/abs/2512.11928v1
• Date: Fri, 12 Dec 2025 01:01:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.030294
• Title: MONET -- Virtual Cell Painting of Brightfield Images and Time Lapses Using Reference Consistent Diffusion
• Title（参考訳）: MONET -- 参照整合拡散を用いたブライトフィールド画像とタイムラプスの仮想セルペイント
• Authors: Alexander Peysakhovich, William Berman, Joseph Rufo, Felix Wong, Maxwell Z. Wilson,
• Abstract要約: 細胞絵画は、細胞形態の人間解釈可能な画像を作成するための一般的な技法である。 細胞塗料には2つの大きな問題がある:それは労働集約的で、化学的な固定が必要である。 我々は、大きなデータセット上で拡散モデルをトレーニングし、明るいフィールド画像からセルペイントチャネルを予測する。
• 参考スコア（独自算出の注目度）: 37.62160903348546
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cell painting is a popular technique for creating human-interpretable, high-contrast images of cell morphology. There are two major issues with cell paint: (1) it is labor-intensive and (2) it requires chemical fixation, making the study of cell dynamics impossible. We train a diffusion model (Morphological Observation Neural Enhancement Tool, or MONET) on a large dataset to predict cell paint channels from brightfield images. We show that model quality improves with scale. The model uses a consistency architecture to generate time-lapse videos, despite the impossibility of obtaining cell paint video training data. In addition, we show that this architecture enables a form of in-context learning, allowing the model to partially transfer to out-of-distribution cell lines and imaging protocols. Virtual cell painting is not intended to replace physical cell painting completely, but to act as a complementary tool enabling novel workflows in biological research.
• Abstract（参考訳）: 細胞絵画は、細胞形態の人間の解釈可能な高コントラスト画像を作成するための一般的な技法である。 細胞塗料には2つの大きな問題がある: (1) 労働集約的であり、(2) 化学固定を必要とするため、細胞動態の研究は不可能である。 我々は,大規模なデータセット上に拡散モデル(Morphological Observation Neural Enhancement Tool, MONET)をトレーニングし,明るい視野画像からセルペイントチャネルを予測する。 モデルの品質はスケールで向上します。 このモデルは、セルペイントビデオトレーニングデータを得ることができないにもかかわらず、一貫性のあるアーキテクチャを使ってタイムラプスビデオを生成する。 さらに,本アーキテクチャはコンテキスト内学習を可能とし,そのモデルが配布外セル線や画像プロトコルに部分的に転送可能であることを示す。 仮想細胞絵画は、物理的細胞絵画を完全に置き換えることではなく、生物学的研究において新しいワークフローを可能にする補完的なツールとして機能することを目的としている。

関連論文リスト

• MorphGen: Controllable and Morphologically Plausible Generative Cell-Imaging [31.990445585569688]
  MorphGenは、蛍光顕微鏡のための最先端拡散ベースの生成モデルである。 蛍光チャネルの完全なセットを共同で生成し、構造体ごとに保存する。 MorphGenは、以前の最先端のMorphoDiffよりも35%低いFIDスコアを獲得している。
  論文  参考訳（メタデータ） (2025-10-01T13:34:29Z)
• Self-supervised Representation Learning with Local Aggregation for Image-based Profiling [84.52554180480037]
  画像に基づく細胞プロファイリングは、細胞画像の情報表現を作成することを目的としている。 非コントラスト型自己監督学習の最近の進歩は,本論文にインスピレーションを与えている。 本稿では,セル画像に適したデータ拡張と表現後処理手法を提案する。
  論文  参考訳（メタデータ） (2025-06-17T07:25:57Z)
• PixCell: A generative foundation model for digital histopathology images [49.00921097924924]
  PixCellは,病理組織学における最初の拡散ベース生成基盤モデルである。 われわれはPanCan-30MでPixCellをトレーニングした。
  論文  参考訳（メタデータ） (2025-06-05T15:14:32Z)
• Denoising Diffusion Probabilistic Models for Image Inpainting of Cell Distributions in the Human Brain [0.0]
  そこで本研究では,細胞-体間染色部の光顕微鏡スキャンにより学習した拡散確率モデル(DDPM)を提案する。 訓練したDDPMは,この目的のために非常にリアルな画像情報を生成でき,可塑性細胞統計と細胞構造パターンを生成できることを示す。
  論文  参考訳（メタデータ） (2023-11-28T14:34:04Z)
• BiomedJourney: Counterfactual Biomedical Image Generation by Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
  本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。 我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。 得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
  論文  参考訳（メタデータ） (2023-10-16T18:59:31Z)
• Self-supervised pseudo-colorizing of masked cells [18.843372840624077]
  生体顕微鏡画像における細胞解析のための新たな自己超越的目標を提案する。 マスク細胞を擬似色化する深層学習モデルを提案する。 擬似色化によるセマンティックセグメンテーションの近似は,細胞検出の微調整に有用であることがわかった。
  論文  参考訳（メタデータ） (2023-02-12T18:16:51Z)

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。