Fugu-MT 論文翻訳(概要): A Novel Approach for Testing Water Safety Using Deep Learning Inference of Microscopic Images of Unincubated Water Samples

論文の概要: A Novel Approach for Testing Water Safety Using Deep Learning Inference of Microscopic Images of Unincubated Water Samples

arxiv url: http://arxiv.org/abs/2603.06611v1
Date: Fri, 20 Feb 2026 01:07:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-15 16:38:22.432798
Title: A Novel Approach for Testing Water Safety Using Deep Learning Inference of Microscopic Images of Unincubated Water Samples
Title（参考訳）: 一様水サンプルの顕微鏡画像の深層学習推定を用いた水安全性試験の新しいアプローチ
Authors: Sanjay Srinivasan,
Abstract要約: 現在の微生物水安全試験では病原体の培養が必要で、24～72時間かかり、1回の試験に20～50ドルかかる。本報告では,UNICEFの在留/在留試験における目標製品プロファイル要件を超越したソリューションについて,テストあたりのコストを0.44ドルと見積もっている。 DeepScopeはテスト時間を98%以上削減する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fecal-contaminated water causes diseases and even death. Current microbial water safety tests require pathogen incubation, taking 24-72 hours and costing \$20-\$50 per test. This paper presents a solution (DeepScope) exceeding UNICEF's ideal Target Product Profile requirements for presence/absence testing, with an estimated per-test cost of \$0.44. By eliminating the need for pathogen incubation, DeepScope reduces testing time by over 98\%. In DeepScope, a dataset of microscope images of bacteria and water samples was assembled. An innovative augmentation technique, generating up to 21 trillion images from a single microscope image, was developed. Four convolutional neural network models were developed using transfer learning and regularization techniques, then evaluated on a field-test dataset comprising 100,000 microscope images of unseen, real-world water samples collected from fourteen different water sources across Sammamish, WA. Precision-recall analysis showed the DeepScope model achieves 93\% accuracy, with precision of 90\% and recall exceeding 94\%. The DeepScope model was deployed on a web server, and mobile applications for Android and iOS were developed, enabling Internet-based or smartphone-based water safety testing, with results obtained in seconds.
Abstract（参考訳）: 糞に汚染された水は病気や死を引き起こす。現在の微生物水安全試験では病原体の培養が必要で、24～72時間かかり、1回の試験で20～50ドルかかる。本稿では,UNICEFの理想的ターゲット製品プロファイル要件を超えるソリューション(DeepScope)について,テストあたりのコストを0.44ドルと見積もった。病原体のインキュベーションの必要性をなくすことで、DeepScopeはテスト時間を98\%以上短縮する。 DeepScopeでは、バクテリアと水のサンプルの顕微鏡画像のデータセットが組み立てられた。 1枚の顕微鏡画像から最大21兆枚の画像を生成する革新的な拡張技術を開発した。 4つの畳み込みニューラルネットワークモデルがトランスファーラーニングと正規化技術を用いて開発され、その後、ハワイ州サンマミッシュの14の異なる水源から採取された、目に見えない実世界のサンプルの10万個の顕微鏡画像からなるフィールドテストデータセットで評価された。精度・リコール分析の結果,DeepScopeモデルの精度は93%,精度は99%,リコール率は99%であった。 DeepScopeモデルはWebサーバにデプロイされ、AndroidとiOS用のモバイルアプリが開発された。

関連論文リスト

Automated river gauge plate reading using a hybrid object detection and generative AI framework in the Limpopo River Basin [0.0]
本研究では, 視覚に基づく水線検出, YOLOv8 のポーズスケール抽出, 自動河川ゲージプレート読取のための大規模マルチモーダル言語モデルを組み合わせたハイブリッドフレームワークを提案する。実験の結果、水線検出は94.24%、F1スコアは83.64%に達し、スケールギャップ検出は正確な幾何的校正を行い、その後に読み取ることができた。その結果, 画像品質に対するLCMの感度が向上し, 劣化した画像は高い誤差を生じ, 幾何メタデータとマルチモーダル人工知能を組み合わせることの重要性が強調された。
論文参考訳（メタデータ） (2025-12-29T13:26:59Z)
Deep-learning Assisted Detection and Quantification of (oo)cysts of Giardia and Cryptosporidium on Smartphone Microscopy Images [0.7508386479587535]
我々は,GiardiaとCryptosporidiumの(o)嚢胞を検出する4つの最先端物体検出器の性能を評価した。深層学習モデルは、その有効性と限界を探求するために用いられた。以上の結果から, 深層学習モデルでは, 明視野顕微鏡画像データセットの方が精度がよいが, スマートフォンの顕微鏡による予測は, 非専門家の予測性能に匹敵することがわかった。
論文参考訳（メタデータ） (2023-04-11T16:58:59Z)
COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical Network to Monitor and Detect COVID-19 Infection from Point-of-Care Ultrasound Images [66.63200823918429]
COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
論文参考訳（メタデータ） (2023-01-04T16:05:51Z)
Application of the YOLOv5 Model for the Detection of Microobjects in the Marine Environment [101.18253437732933]
海洋環境における微小物体の自動検出と認識の問題を解決するためのYOLOV5機械学習モデルの有効性について検討した。
論文参考訳（メタデータ） (2022-11-28T10:58:50Z)
A Generic Deep Learning Based Cough Analysis System from Clinically Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。 DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
論文参考訳（メタデータ） (2021-11-10T19:39:26Z)
The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
論文参考訳（メタデータ） (2021-09-18T02:28:01Z)
Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural Networks [68.8204255655161]
私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
論文参考訳（メタデータ） (2020-12-29T01:14:17Z)
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)
Label-free detection of Giardia lamblia cysts using a deep learning-enabled portable imaging flow cytometer [3.6551615712301615]
フローサイトメータは、寸法19cm×19cm×16cm、重量1.6kgの環境封入容器に収容されている。このポータブルイメージングフローサイトメータをラップトップコンピュータに結合することで、リアルタイムで、低レベルのジアルディア汚染を検出し、定量化できることを実証する。この方法のフィールド可搬性とラベルフリー性は、飲料水供給の迅速かつ自動スクリーニングを可能にする可能性がある。
論文参考訳（メタデータ） (2020-07-12T08:40:18Z)
Early-detection and classification of live bacteria using time-lapse coherent imaging and deep learning [0.5374144381476773]
計算生菌検出システムは、60mmの寒天板内の細菌成長のコヒーレント顕微鏡画像を定期的にキャプチャする。システムは、深層ニューラルネットワークを用いてこれらの時間経過ホログラムを分析し、細菌の成長を迅速に検出し、対応する種の分類を行う。
論文参考訳（メタデータ） (2020-01-29T05:39:23Z)

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。