論文の概要: Deep Learning for BioImaging: What Are We Learning?

• arxiv url: http://arxiv.org/abs/2603.13377v1
• Date: Tue, 10 Mar 2026 16:49:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.138339
• Title: Deep Learning for BioImaging: What Are We Learning?
• Title（参考訳）: バイオイメージングのためのディープラーニング: 私たちは何を学ぶのか?
• Authors: Ivan Svatko, Maxime Sanchez, Ihab Bendidi, Gilles Cottrell, Auguste Genovesio,
• Abstract要約: 顕微鏡画像では、現在の表現学習法が実際に何を学んでいるのかは不明だ。 我々は、未訓練のモデルと細胞組織の単純な構造表現を含む、キュレートされたベンチマーク上で単純で明らかなベースラインのセットを紹介した。 自然画像とは対照的に、既存のモデルは、高レベルで生物学的に意味のある特徴を一貫して取得できない。
• 参考スコア（独自算出の注目度）: 2.1810338565266507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Representation learning has driven major advances in natural image analysis by enabling models to acquire high-level semantic features. In microscopy imaging, however, it remains unclear what current representation learning methods actually learn. In this work, we conduct a systematic study of representation learning for the two most widely used and broadly available microscopy data types, representing critical scales in biology: cell culture and tissue imaging. To this end, we introduce a set of simple yet revealing baselines on curated benchmarks, including untrained models and simple structural representations of cellular tissue. Our results show that, surprisingly, state-of-the-art methods perform comparably to these baselines. We further show that, in contrast to natural images, existing models fail to consistently acquire high-level, biologically meaningful features. Moreover, we demonstrate that commonly used benchmark metrics are insufficient to assess representation quality and often mask this limitation. In addition, we investigate how detailed comparisons with these benchmarks provide ways to interpret the strengths and weaknesses of models for further improvements. Together, our results suggest that progress in microscopy image representation learning requires not only stronger models, but also more diagnostic benchmarks that measure what is actually learned.
• Abstract（参考訳）: 表現学習は、モデルが高レベルなセマンティックな特徴を習得できるようにすることで、自然画像解析において大きな進歩をもたらした。 しかし、顕微鏡画像では、現在の表現学習法が実際に何を学んでいるのかは不明だ。 本研究では,生物学における重要な尺度である細胞培養と組織イメージングの2種類の顕微鏡データに対して,表現学習の体系的研究を行う。 この目的のために、未訓練のモデルや細胞組織の単純な構造的表現を含む、キュレートされたベンチマーク上で単純だが明らかなベースラインのセットを紹介した。 我々の結果は、驚くほど、最先端の手法がこれらのベースラインに相容れないことを示している。 さらに、自然画像とは対照的に、既存のモデルは、高レベルで生物学的に有意義な特徴を一貫して取得できないことを示す。 さらに、一般的なベンチマーク指標は、表現の質を評価するのに不十分であり、しばしばこの制限を無視することを示した。 さらに,これらのベンチマークとの詳細な比較によって,モデルの長所や短所を解釈し,さらなる改善を図る方法について検討する。 その結果、顕微鏡画像表現学習の進歩には、より強力なモデルだけでなく、実際に学習されたことを計測する診断ベンチマークも必要であることが示唆された。

関連論文リスト

• Disentangled representations of microscopy images [0.9849635250118911]
  本研究は、顕微鏡画像分類のためのモデル解釈可能性を高めるために、DRL法を提案する。 本稿では,合成データから学習した表現の伝達に基づくDRLフレームワークが,この領域における精度と解釈可能性とのトレードオフを良好に実現できることを示す。
  論文  参考訳（メタデータ） (2025-06-25T17:44:37Z)
• CytoFM: The first cytology foundation model [3.591868126270513]
  本稿では,デジタル細胞学のための初の自己教師型基礎モデルであるCytoFMを紹介する。 我々はCytoFMをさまざまなデータセットで事前訓練し、堅牢で転送可能な表現を学習する。 以上の結果から,CytoFMは3つの下流課題のうち2つの課題において,病理組織学で事前訓練された既存の基礎モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-04-18T01:37:50Z)
• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• Discovering interpretable models of scientific image data with deep learning [0.0]
  表現学習、疎い深層ニューラルネットワークトレーニング、シンボリックレグレッションを実装している。 顕微鏡データにおける細胞状態の分類に関するよく研究されたテスト問題を用いて,バイオイメージングの分野との関連性を示す。 生物現象を科学的に説明するための解釈可能なモデルの有用性について検討する。
  論文  参考訳（メタデータ） (2024-02-05T15:45:55Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• Perceptual Grouping in Contrastive Vision-Language Models [59.1542019031645]
  画像内の物体の位置を視覚言語モデルで理解し,画像の視覚的関連部分をグループ化する方法について述べる。 本稿では,意味情報と空間情報の両方を一意に学習するモデルとして,最小限の修正を提案する。
  論文  参考訳（メタデータ） (2022-10-18T17:01:35Z)
• Learning multi-scale functional representations of proteins from single-cell microscopy data [77.34726150561087]
  局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。 また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-24T00:00:07Z)
• Towards better understanding and better generalization of few-shot classification in histology images with contrastive learning [7.620702640026243]
  ナチュラル・イメージに長年定着した話題は少ないが、ヒストロジカル・イメージに携わる作品はほとんどない。 本稿では,LCL(Contrative Learning)とLA(Latent Augmentation)を併用して,数ショットのシステムを構築することを提案する。 実験では, CLが学習したモデルは, 未知のクラスにおける組織像の教師あり学習よりも一般化し, LAはベースラインよりも一貫した利得をもたらすことがわかった。
  論文  参考訳（メタデータ） (2022-02-18T07:48:34Z)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)

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。