論文の概要: Colony Grounded SAM2: Zero-shot detection and segmentation of bacterial colonies using foundation models

• arxiv url: http://arxiv.org/abs/2603.13393v1
• Date: Wed, 11 Mar 2026 09:46:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.157791
• Title: Colony Grounded SAM2: Zero-shot detection and segmentation of bacterial colonies using foundation models
• Title（参考訳）: コロニー接地SAM2:基礎モデルを用いた細菌コロニーのゼロショット検出とセグメンテーション
• Authors: Daan Korporaal, Patrick de Kruijf, Ralph H. G. M. Litjens, Bas H. M. van der Velden,
• Abstract要約: 細菌コロニーを複数設定で検出・分別するゼロショット推論パイプラインを提案する。 DINOとSegment Anything Model 2の事前学習モデルを利用することで,データ変更に対して堅牢なモデルを開発した。 その結果、平均精度93.1%、Dice@detectionスコア0.85が示され、アウト・オブ・ディストリビューションデータセットにおける優れた検出とセグメンテーション能力を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The detection and classification of bacterial colonies in images of agar-plates is important in microbiology, but is hindered by the lack of labeled datasets. Therefore, we propose Colony Grounded SAM2, a zero-shot inference pipeline to detect and segment bacterial colonies in multiple settings without any further training. By utilizing the pre-trained foundation models Grounding DINO and Segment Anything Model 2, fine-tuned to the microbiological domain, we developed a model that is robust to data changes. Results showed a mean Average Precision of 93.1\% and a $Dice@detection$ score of 0.85, showing excellent detection and segmentation capabilities on out-of-distribution datasets. The entire pipeline with model weights are shared open access to aid with annotation- and classification purposes in microbiology.
• Abstract（参考訳）: 寒天プレートの画像中の細菌コロニーの検出と分類は、微生物学において重要であるが、ラベル付きデータセットの欠如によって妨げられている。 そこで本研究では,細菌コロニーを複数設定で検出・分離するためのゼロショット推論パイプラインであるColony Grounded SAM2を提案する。 本研究では,DINOとSegment Anything Model 2の事前学習モデルを利用して,データ変化に頑健なモデルを構築した。 その結果、平均精度93.1\%と$Dice@detection$スコア0.85を示し、アウト・オブ・ディストリビューションデータセット上で優れた検出とセグメンテーション能力を示した。 モデル重み付きパイプライン全体は、微生物学のアノテーションや分類の目的でオープンアクセスされている。

関連論文リスト

• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Comprehensive Benchmarking of YOLOv11 Architectures for Scalable and Granular Peripheral Blood Cell Detection [7.1318006858231975]
  手動末梢血スミア(PBS)分析は、労働集約的で主観的である。 ディープラーニングは有望な代替手段を提供するが、細粒度PBS検出のためのYOLOv11のような技術モデルの体系的な評価はいまだに不足している。 12種類の末梢血細胞クラスに16,891枚の画像とレッド血細胞クラスを含む大規模なアノテートされた血液細胞検出分類データセットを収集し,対象検出タスクに慎重にアノテートした。 このデータセットには合計で298,850個の注釈付き細胞が含まれている。
  論文  参考訳（メタデータ） (2025-09-29T11:00:19Z)
• 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)
• Handling imbalance and few-sample size in ML based Onion disease classification [1.3177681589844814]
  タマネギの作物病および害虫の多種分類のための頑健な深層学習モデルを提案する。 実世界のフィールド画像データセットに96.90%の精度と0.96のF1スコアを与えるモデルを与える。
  論文  参考訳（メタデータ） (2025-09-01T19:05:39Z)
• Enhanced Tuberculosis Bacilli Detection using Attention-Residual U-Net and Ensemble Classification [0.0]
  Mycobacterium tuberculosisによって引き起こされた結核は、依然として重要な世界的な健康問題であり、タイムリーな診断と治療を必要としている。 蛍光顕微鏡スミア画像からの結核菌の検出法は, 自動化が低く, セグメンテーション性能が不十分で, 分類精度が限られている。 本稿では,セグメント化のためのディープラーニングと分類のためのアンサンブルモデルを組み合わせた,効率的なハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2025-01-07T05:21:13Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)
• AGAR a microbial colony dataset for deep learning detection [0.0]
  Annotated Germs for Automated Recognition データセットは、寒天のプレート上に培養された微生物コロニーの画像データベースである。 本研究では,データセット自体とその開発過程について述べる。 第2部では、AGARデータセット上で、オブジェクト検出のための選択されたディープニューラルネットワークアーキテクチャの性能を評価した。
  論文  参考訳（メタデータ） (2021-08-03T01:26:41Z)
• Instance Segmentation of Microscopic Foraminifera [0.0629976670819788]
  本稿では, 深層学習に基づくインスタンス分割モデルを用いて, 微視的フォアミニフェラの分類, 検出, セグメンテーションを行う。 本モデルは,COCO検出データセットから得られたモデル重みパラメータを用いて,Mask R-CNNアーキテクチャに基づく。
  論文  参考訳（メタデータ） (2021-05-15T10:46:22Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。