論文の概要: An AI-enabled tool for quantifying overlapping red blood cell sickling dynamics in microfluidic assays

• arxiv url: http://arxiv.org/abs/2601.17703v1
• Date: Sun, 25 Jan 2026 05:32:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.222274
• Title: An AI-enabled tool for quantifying overlapping red blood cell sickling dynamics in microfluidic assays
• Title（参考訳）: 微小流体測定法における重なり合う赤血球障害動態の定量化のためのAI対応ツール
• Authors: Nikhil Kadivar, Guansheng Li, Jianlu Zheng, John M. Higgins, Ming Dao, George Em Karniadakis, Mengjia Xu,
• Abstract要約: このフレームワークは、AIによるアノテーション、セグメンテーション、分類、インスタンスカウントを統合して、赤血球の集団を定量化する。 これは、密封された細胞懸濁液を介して実験的スループットを2倍以上にし、薬物依存的な病的行動を捉え、細胞の形態的進化の機械生物学的特徴を明らかにすることができる。
• 参考スコア（独自算出の注目度）: 5.577003343220155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding sickle cell dynamics requires accurate identification of morphological transitions under diverse biophysical conditions, particularly in densely packed and overlapping cell populations. Here, we present an automated deep learning framework that integrates AI-assisted annotation, segmentation, classification, and instance counting to quantify red blood cell (RBC) populations across varying density regimes in time-lapse microscopy data. Experimental images were annotated using the Roboflow platform to generate labeled dataset for training an nnU-Net segmentation model. The trained network enables prediction of the temporal evolution of the sickle cell fraction, while a watershed algorithm resolves overlapping cells to enhance quantification accuracy. Despite requiring only a limited amount of labeled data for training, the framework achieves high segmentation performance, effectively addressing challenges associated with scarce manual annotations and cell overlap. By quantitatively tracking dynamic changes in RBC morphology, this approach can more than double the experimental throughput via densely packed cell suspensions, capture drug-dependent sickling behavior, and reveal distinct mechanobiological signatures of cellular morphological evolution. Overall, this AI-driven framework establishes a scalable and reproducible computational platform for investigating cellular biomechanics and assessing therapeutic efficacy in microphysiological systems.
• Abstract（参考訳）: 病原細胞の動態を理解するには、様々な生物物理学的条件、特に密に充填された細胞集団と重なり合う細胞集団における形態的遷移の正確な同定が必要である。 本稿では,AIを利用したアノテーション,セグメンテーション,分類,インスタンスカウントを統合した自動ディープラーニングフレームワークを提案する。 実験画像はRoboflowプラットフォームを使用して注釈付けされ、nnU-Netセグメンテーションモデルをトレーニングするためのラベル付きデータセットが生成される。 トレーニングされたネットワークは、病原細胞分画の時間的進化の予測を可能にし、流域アルゴリズムは重複する細胞を解消し、定量化の精度を高める。 トレーニングにはラベル付きデータの限られた量しか必要としないが、このフレームワークは高いセグメンテーション性能を達成し、手動アノテーションの不足やセルオーバーラップに伴う課題に効果的に対処する。 RBC形態の動的変化を定量的に追跡することにより、この手法は、密封された細胞サスペンションを介して実験的スループットを2倍以上にし、薬物依存的な病的振る舞いを捉え、細胞形態の明確なメカノロジー的特徴を明らかにすることができる。 全体として、このAI駆動のフレームワークは、細胞のバイオメカニクスを調査し、微生物システムにおける治療効果を評価するためのスケーラブルで再現可能な計算プラットフォームを確立する。

関連論文リスト

• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• CoTCoNet: An Optimized Coupled Transformer-Convolutional Network with an Adaptive Graph Reconstruction for Leukemia Detection [0.3573481101204926]
  白血病の分類のためのCoTCoNet(Coupled Transformer Convolutional Network)フレームワークを提案する。 我々のフレームワークは、包括的グローバル特徴とスケーラブルな空間パターンを捉え、複雑で大規模な血液学的特徴の同定を可能にする。 それぞれ0.9894と0.9893のF1スコアレートを達成している。
  論文  参考訳（メタデータ） (2024-10-11T13:31:28Z)
• MorphoSeg: An Uncertainty-Aware Deep Learning Method for Biomedical Segmentation of Complex Cellular Morphologies [5.50767638479269]
  深層学習は医学や生物学的イメージング、特にセグメンテーションのタスクに革命をもたらした。 細胞の形態の多様性と複雑さのため、生物学的な細胞を分断することは依然として困難である。 我々は多能性癌細胞株であるNtera-2細胞の新しいベンチマークデータセットを導入する。 トレーニング中の低線量領域からの仮想アウトリーチのサンプリングを取り入れた,複雑な細胞形態区分(MorphoSeg)のための不確実性を考慮したディープ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） (2024-09-25T17:25:06Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• 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)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• PhagoStat a scalable and interpretable end to end framework for efficient quantification of cell phagocytosis in neurodegenerative disease studies [0.0]
  本稿では,食欲活動の定量化と分析を行うためのエンドツーエンド,スケーラブル,汎用的なリアルタイムフレームワークを提案する。 提案するパイプラインでは,大規模なデータセットを処理でき,データ品質検証モジュールも備えている。 我々はこのパイプラインをFTDの微小グリア細胞食細胞解析に応用し,統計的に信頼性の高い結果を得た。
  論文  参考訳（メタデータ） (2023-04-26T18:10:35Z)
• 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。