論文の概要: Investigation of cardinality classification for bacterial colony counting using explainable artificial intelligence

• arxiv url: http://arxiv.org/abs/2604.20026v1
• Date: Tue, 21 Apr 2026 22:11:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.872108
• Title: Investigation of cardinality classification for bacterial colony counting using explainable artificial intelligence
• Title（参考訳）: 説明可能な人工知能を用いた細菌コロニー計数のための濃度分類の検討
• Authors: Minghua Zheng, Na Helian, Peter C. R. Lane, Yi Sun, Allen Donald,
• Abstract要約: MicrobiaNetはコロニーカウントのための最も優れた基準分類モデルである。 クラス間の高い視覚的類似性が、さらなるパフォーマンス向上を妨げる重要な問題であることを示す。
• 参考スコア（独自算出の注目度）: 2.578548162794322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic bacterial colony counting is a highly sought-after technology in modern biological laboratories because it eliminates manual counting effort. Previous work has observed that MicrobiaNet, currently the best-performing cardinality classification model for colony counting, has difficulty distinguishing colonies of three or more individuals. However, it is unclear if this is due to properties of the data together with inherent characteristics of the MicrobiaNet model. By analysing MicrobiaNet with explainable artificial intelligence (XAI), we demonstrate that XAI can provide insights into how data properties constrain cardinality classification performance in colony counting. Our results show that high visual similarity across classes is the key issue hindering further performance improvement, revising prior assertions about MicrobiaNet. These findings suggest future work should focus on models that explicitly incorporate visual similarity or explore density estimation approaches, with broader implications for neural network classifiers trained on imbalanced datasets.
• Abstract（参考訳）: 自動細菌コロニー計数は、手作業による計数作業を排除するため、現代の生物実験所において、非常に求められている技術である。 これまでの研究では、3人以上のコロニーを区別することが困難であった。 しかし、これがデータの性質とMicrobiaNetモデル固有の特性によるものかどうかは不明である。 説明可能な人工知能(XAI)を用いてMicrobiaNetを解析することにより、XAIは、コロニーカウントにおけるデータ特性が基準分類性能をいかに制限するかについての洞察を提供することができる。 以上の結果から,クラス間の視覚的類似度が高いことが,MicrobiaNetに関する事前の主張を再検討する上で,さらなるパフォーマンス向上を妨げる重要な課題であることが示唆された。 これらの結果は、将来の研究は、視覚的類似性を明示的に組み込んだり、密度推定アプローチを探究するモデルに焦点を当てるべきであることを示唆している。

関連論文リスト

• Colony Grounded SAM2: Zero-shot detection and segmentation of bacterial colonies using foundation models [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-11T09:46:17Z)
• Masked Autoencoders for Microscopy are Scalable Learners of Cellular Biology [2.7280901660033643]
  本研究は、弱教師付き分類器と自己教師付きマスク付きオートエンコーダ(MAE)のスケーリング特性について検討する。 以上の結果から,ViTをベースとしたMAEは,様々なタスクにおいて弱い教師付き分類器よりも優れており,公的なデータベースから得られた既知の生物学的関係を思い出すと,11.5%の相対的な改善が達成されることがわかった。 我々は、異なる数のチャネルと順序の画像を推論時に入力できる新しいチャネルに依存しないMAEアーキテクチャ(CA-MAE)を開発した。
  論文  参考訳（メタデータ） (2024-04-16T02:42:06Z)
• 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)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• Digital Fingerprinting of Microstructures [44.139970905896504]
  微細な情報をフィンガープリントする効率的な方法を見つけることは、データ中心の機械学習アプローチを活用するための重要なステップである。 本稿では,マイクロ構造を分類し,その特徴を機械学習タスクに応用する。 特に、ImageNetデータセットで事前訓練された畳み込みニューラルネットワーク(CNN)によるトランスファーラーニングを利用するメソッドは、他の方法よりも優れていることが一般的に示されている。
  論文  参考訳（メタデータ） (2022-03-25T15:40:44Z)
• 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)
• Automatic Cell Counting in Flourescent Microscopy Using Deep Learning [0.0]
  関心のある対象をローカライズするために,全畳み込みネットワークをバイナリセグメンテーション方式で活用する機械学習手法を提案する。 カウントは検出されたアイテムの数として取得される。
  論文  参考訳（メタデータ） (2021-02-24T23:04:47Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。