論文の概要: AI-Augmented Pollen Recognition in Optical and Holographic Microscopy for Veterinary Imaging

• arxiv url: http://arxiv.org/abs/2512.12101v1
• Date: Sat, 13 Dec 2025 00:26:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.119775
• Title: AI-Augmented Pollen Recognition in Optical and Holographic Microscopy for Veterinary Imaging
• Title（参考訳）: 静脈造影における光・ホログラフィーにおけるAI-Augmented Pollen Recognition
• Authors: Swarn S. Warshaneyan, Maksims Ivanovs, Blaž Cugmas, Inese Bērziņa, Laura Goldberga, Mindaugas Tamosiunas, Roberts Kadiķis,
• Abstract要約: 本稿では,従来の光学・デジタルホログラフィー(DIHM)画像における完全自動花粉認識に関する総合的研究について述べる。 未再構成ホログラフィック画像の花粉を視覚的に認識することは、スペックルノイズ、ツインイメージアーティファクト、および明るいフィールドの外観からかなりのばらつきにより、依然として困難である。 我々はスペクトル正規化のWasserstein GANを用いて合成DIHM画像を作成し、FIDスコアは58.246である。
• 参考スコア（独自算出の注目度）: 0.1563562770254469
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a comprehensive study on fully automated pollen recognition across both conventional optical and digital in-line holographic microscopy (DIHM) images of sample slides. Visually recognizing pollen in unreconstructed holographic images remains challenging due to speckle noise, twin-image artifacts and substantial divergence from bright-field appearances. We establish the performance baseline by training YOLOv8s for object detection and MobileNetV3L for classification on a dual-modality dataset of automatically annotated optical and affinely aligned DIHM images. On optical data, detection mAP50 reaches 91.3% and classification accuracy reaches 97%, whereas on DIHM data, we achieve only 8.15% for detection mAP50 and 50% for classification accuracy. Expanding the bounding boxes of pollens in DIHM images over those acquired in aligned optical images achieves 13.3% for detection mAP50 and 54% for classification accuracy. To improve object detection in DIHM images, we employ a Wasserstein GAN with spectral normalization (WGAN-SN) to create synthetic DIHM images, yielding an FID score of 58.246. Mixing real-world and synthetic data at the 1.0 : 1.5 ratio for DIHM images improves object detection up to 15.4%. These results demonstrate that GAN-based augmentation can reduce the performance divide, bringing fully automated DIHM workflows for veterinary imaging a small but important step closer to practice.
• Abstract（参考訳）: 本稿では,サンプルスライドの光学的およびデジタル的ホログラフィー(DIHM)画像における完全自動花粉認識に関する総合的研究について述べる。 未再構成ホログラフィック画像の花粉を視覚的に認識することは、スペックルノイズ、ツインイメージアーティファクト、および明るいフィールドの外観からかなりのばらつきにより、依然として困難である。 我々は、オブジェクト検出のためのYOLOv8sと、自動アノテートされた光学的およびアフィニシャルなDIHM画像の二重モードデータセットに基づく分類のためのMobileNetV3Lをトレーニングすることで、パフォーマンスベースラインを確立する。 光データでは,検出mAP50が91.3%,分類精度が97%,DIHMデータでは検出mAP50が8.15%,分類精度が50%であった。 DIHM画像における花粉のバウンディングボックスを、アライメントされた光学画像より拡張すると、mAP50の検出は13.3%、分類精度は54%となる。 DIHM画像のオブジェクト検出を改善するために、スペクトル正規化(WGAN-SN)を備えたWasserstein GANを用いて合成DIHM画像を作成し、FIDスコア58.246を得る。 1.0:1.5のDIHM画像における実世界のデータと合成データの混合は、物体の検出を最大15.4%改善する。 これらの結果は、GANベースの拡張によりパフォーマンスの差を減らし、完全自動化されたDIHMワークフローにより、獣医画像の小型で重要なステップを実践に近づけることを示した。

関連論文リスト

• Automated Pollen Recognition in Optical and Holographic Microscopy Images [0.1563562770254469]
  本研究は,光学顕微鏡とホログラフィ画像の両方において,花粉の検出と分類を改善するための深層学習の応用について検討した。 我々は、オブジェクト検出にYOLOv8s、分類タスクにMobileNetV3Lを使用し、画像モダリティ間での性能を評価した。 検出には91.3% mAP50、光学画像の分類には97%の精度が得られた。
  論文  参考訳（メタデータ） (2025-12-09T13:31:02Z)
• DeepAf: One-Shot Spatiospectral Auto-Focus Model for Digital Pathology [37.648157065553185]
  本稿ではDeepAfを利用した新しい自動顕微鏡システムを提案する。 DeepAfは、単一ショットフォーカス予測のためのハイブリッドアーキテクチャを通じて、空間的特徴とスペクトル的特徴を組み合わせる。 システムはがんの分類において4倍で0.90AUCを達成するが、これは通常の20倍WSIスキャンよりも低い倍率で重要な成果である。
  論文  参考訳（メタデータ） (2025-10-06T19:28:08Z)
• Ensemble YOLO Framework for Multi-Domain Mitotic Figure Detection in Histopathology Images [0.7541656202645494]
  YOLOv5とYOLOv8の2つの近代的な1段検出器は、MIDOG++、CMC、CCMCTデータセットで訓練された。 YOLOv5は高い精度(84.3%)を達成し、YOLOv8は改善されたリコール(82.6%)を提供した。 我々のアンサンブルは、F1スコア79.2%、精度73.6%、リコール85.8%で5位にランクされ、提案された戦略が未確認のテストデータに対して効果的に一般化されていることを確認した。
  論文  参考訳（メタデータ） (2025-09-03T02:43:02Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• Label-efficient Single Photon Images Classification via Active Learning [3.213673540843068]
  単一光子LiDARは量子レベルの光子検出技術により、極端な環境で高精度な3Dイメージングを実現する。 現在の研究では、スパース光子現象からの3Dシーンの再構築に焦点が当てられているが、単一光子画像の意味的解釈は未解明のままである。 本稿では,単一光子画像分類のための最初のアクティブラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-07T12:57:40Z)
• Latent Diffusion Autoencoders: Toward Efficient and Meaningful Unsupervised Representation Learning in Medical Imaging [41.446379453352534]
  LDAE(Latent Diffusion Autoencoder)は、医用画像における効率的で有意義な教師なし学習のための、エンコーダ-デコーダ拡散に基づく新しいフレームワークである。 本研究は,ADNIデータベースの脳MRIを用いたアルツハイマー病(AD)を事例として検討した。
  論文  参考訳（メタデータ） (2025-04-11T15:37:46Z)
• Generalist Segmentation Algorithm for Photoreceptors Analysis in Adaptive Optics Imaging [3.9111016990170286]
  共焦点適応光学スキャニング光眼鏡(AOSLO)イメージングにより、導波路光受容体の反射から円錐を可視化することができる。 本稿では,AOSLO画像中のコーンの検出とセグメンテーションを行うための,ディープラーニング(DL)に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-08-27T06:49:21Z)
• Direct Zernike Coefficient Prediction from Point Spread Functions and Extended Images using Deep Learning [36.136619420474766]
  既存の適応光学系は、収差を補正し、画像を改善するために反復探索アルゴリズムに依存している。 本研究は、光収差を特徴付ける畳み込みニューラルネットワークの応用を実証する。
  論文  参考訳（メタデータ） (2024-04-23T17:03:53Z)
• Whole-body Detection, Recognition and Identification at Altitude and Range [57.445372305202405]
  多様なデータセットに基づいて評価したエンドツーエンドシステムを提案する。 我々のアプローチでは、一般的な画像データセットで検出器を事前トレーニングし、BRIARの複雑なビデオや画像でそれを微調整する。 屋内・屋外・航空シナリオにおける様々な範囲や角度の異なる条件下で徹底的な評価を行う。
  論文  参考訳（メタデータ） (2023-11-09T20:20:23Z)

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。