論文の概要: Aycromo: An Open-Source Platform for Automatic Chromosome Detection in Metaphase Images Based on Deep Learning

• arxiv url: http://arxiv.org/abs/2604.24685v1
• Date: Mon, 27 Apr 2026 16:45:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.180481
• Title: Aycromo: An Open-Source Platform for Automatic Chromosome Detection in Metaphase Images Based on Deep Learning
• Title（参考訳）: Aycromo: ディープラーニングに基づくメタフェーズ画像の自動染色体検出のためのオープンソースプラットフォーム
• Abstract要約: AIを用いた細胞遺伝解析のためのオープンソースのデスクトッププラットフォームであるAycromoを紹介する。 ElectronとONNXをベースとして開発されたこのツールは、細胞遺伝学者が事前訓練されたモデルを読み込んで、検出を比較し、手動で修正することを可能にする。 このプラットフォームはスライダー毎の分析を数秒に短縮する。
• 参考スコア（独自算出の注目度）: 0.5647577824219207
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Chromosome analysis is a fundamental step in the diagnosis of genetic diseases, but the manual karyotyping workflow is time-consuming and heavily dependent on expert specialists, often requiring several days per patient. Although Deep Learning models have achieved high performance in chromosome detection, most proposed solutions remain restricted to research prototypes or lack graphical interfaces suitable for clinical use. In this work, we present Aycromo, an open-source desktop platform for AI-assisted cytogenetic analysis. Built on Electron and ONNX Runtime, the tool allows cytogeneticists to load pre-trained models, compare architectures through an integrated benchmarking module, and manually correct detections via an interactive annotation interface, all without command-line interaction. Preliminary experiments on metaphase images from the CRCN-NE dataset demonstrate that YOLOv11 achieves 99.40% mAP@50, while the platform reduces per-slide analysis to seconds
• Abstract（参考訳）: 染色体解析は遺伝子疾患の診断の基本的なステップであるが、手動の核型決定のワークフローは時間がかかり、専門家に大きく依存している。 ディープラーニングモデルは染色体検出において高い性能を達成しているが、ほとんどの提案された解決策は研究のプロトタイプに限られるか、臨床用途に適したグラフィカルインタフェースが欠如している。 本稿では,AIを用いた細胞遺伝解析のためのオープンソースのデスクトッププラットフォームであるAycromoを紹介する。 ElectronとONNX Runtime上に構築されたこのツールは、細胞遺伝学者が事前訓練されたモデルをロードし、統合されたベンチマークモジュールを通してアーキテクチャを比較し、コマンドラインの操作なしにインタラクティブなアノテーションインターフェースを介して手動で検出することを可能にする。 CRCN-NEデータセットの相画像に関する予備実験では、YOLOv11が99.40% mAP@50を達成するのに対し、プラットフォームはスライダー毎の解析を秒に短縮する。

関連論文リスト

• Towards Reliable Stain Transfer: An Iterative Data-Model Co-Optimization Framework Based on Multimodal Expert-Guided Assessment [55.16957949238588]
  Stain Transferのための新しいデータモデル共最適化フレームワークDMCoStainを提案する。 反復的にトレーニングデータとモデル能力を再定義し、病理的および構造的整合性の両方において染色精度と解釈性を向上させる。 MEGFS をサポートするために,150K VQA サンプルを用いた IPE 命令追従型大規模データセットである ImmunoInstruction を構築した。
  論文  参考訳（メタデータ） (2026-07-28T07:54:43Z)
• Agentomics-ML: Autonomous Machine Learning Experimentation Agent for Genomic and Transcriptomic Data [33.7054351451505]
  本稿では,完全自律型エージェントベースシステムであるAgenomics-MLを紹介した。 本稿では,Agenomics-MLが既存のエージェントベースの手法よりも,一般化と成功率の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-05T19:44:38Z)
• An Inclusive Foundation Model for Generalizable Cytogenetics in Precision Oncology [18.252994255843813]
  CHROMAは、染色体異常の一般化可能な表現を学習することで、課題を克服するために設計された細胞ゲノム学の基礎モデルである。 84,000点以上の検体(400万点の染色体画像)で、自己教師による学習によって事前訓練されている。 CHROMAは、信頼性と自動化された臨床分析のためのスケーラブルで一般化可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-21T12:03:37Z)
• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• Improving Generalization Capability of Deep Learning-Based Nuclei Instance Segmentation by Non-deterministic Train Time and Deterministic Test Time Stain Normalization [0.674572634849505]
  核のインスタンスセグメンテーションは、幅広い臨床および研究応用において、基本的な役割を果たす。 ディープラーニング(DL)ベースのアプローチは、最高のパフォーマンスを提供するために示されています。 本稿では,DLに基づく自動セグメンテーション手法の一般化能力向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-09-12T11:29:35Z)
• 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)
• 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)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Adversarial Multiscale Feature Learning for Overlapping Chromosome Segmentation [6.180155406275231]
  染色体核型解析は疾患の診断と治療において非常に臨床的に重要である。 染色体のストリップ形状のため、画像化すると簡単に互いに重複します。 重なり合う染色体セグメンテーションの精度と適応性を向上させるために, 対角的マルチスケール特徴学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-22T06:04:22Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。