論文の概要: Approaching human parity in the quality of automated organoid image segmentation

• arxiv url: http://arxiv.org/abs/2605.03053v1
• Date: Mon, 04 May 2026 18:17:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.595301
• Title: Approaching human parity in the quality of automated organoid image segmentation
• Title（参考訳）: 自動オルガノイド画像セグメンテーションにおけるヒトのパリティへのアプローチ
• Authors: Chase Cartwright, Gongbo Guo, Sai Teja Pusuluri, Christopher N. Mayhew, Mark Hester, Horacio E. Castillo,
• Abstract要約: オルガノイドは複雑な3次元の自己組織化細胞培養体であり、臓器のような特徴を示す。 本研究では,スフェロイドの発生の大きさと形状を自動的に計測するコンピュータビジョンと機械学習技術に焦点を当てる。 すべてのテスト条件に対して十分な精度でテストイメージを分割できるツールが存在しないことが分かりました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Organoids are complex, three dimensional, self-organizing cell cultures which manifest organ-like features and represent a powerful platform for studying human disease and developing treatment options. Organoid development is characterized by dynamic morphological and cellular organization, which mimic some aspects of organ development. To study these rapid changes over the course of organoid development, advanced imaging and analytical tools are critical to accurately monitor the trajectory of organoid growth and investigate disease processes. In this work, we focus on computer vision and machine learning techniques to automatically measure the size and shape of developing spheroids derived from pluripotent stem cells (iPSCs), which are typically the starting material for generating organoid cultures. To facilitate this task, we introduce a composite method that combines the Segment Anything Model (SAM), a general-purpose foundation model, with an existing domain-specific tool. This composite method is evaluated together with several existing tools by testing them on organoid image data and comparing with the results of manual image segmentation. We find that no single existing tool is able to segment the test images with sufficient accuracy across all test conditions, but the newly introduced composite method produces consistent and accurate results for all but a very small fraction of the most challenging images. Finally, we compare the accuracy of this method to the variability between manual segmentations by independent annotators (inter-observer variability) and find that by one measure it performs at the level of inter-observer variability and by others it performs very close to it.
• Abstract（参考訳）: オルガノイドは複雑な3次元の自己組織化細胞培養体であり、臓器のような特徴を示し、ヒト疾患の研究や治療法の開発のための強力なプラットフォームである。 オルガノイドの発達は、器官の発達のいくつかの側面を模倣する動的形態学的および細胞的組織によって特徴づけられる。 オルガノイドの発達過程におけるこれらの急激な変化を研究するためには、高度なイメージングと分析ツールが、オルガノイド成長の軌跡を正確に監視し、疾患のプロセスを調べるために重要である。 本研究では,多能性幹細胞(iPSCs)由来の球状体を自動計測するコンピュータビジョンと機械学習技術に注目した。 そこで本研究では,汎用基盤モデルであるSegment Anything Model(SAM)と既存ドメイン固有ツールを組み合わせた複合手法を提案する。 本手法は,オルガノイド画像データを用いてテストし,手動画像分割の結果と比較することにより,既存のツールとともに評価する。 既存のツールではすべてのテスト条件で十分な精度でテストイメージを分割することはできないが,新たに導入された合成手法では,最も困難な画像のごく一部を除いて,一貫性と正確性を実現している。 最後に、本手法の精度と、独立アノテータによる手動セグメンテーションのばらつき(オブザーバ間変動)を比較し、一方の測度によって、オブザーバ間変動のレベルにおいて、他方の測度により非常に近い性能を示すことを示す。

関連論文リスト

• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• CellPilot [3.2096430458509317]
  この作業では,自動セグメンテーションとインタラクティブセグメンテーションのギャップを埋めるフレームワークであるCellPilotを導入する。 本モデルは16臓器にまたがる9種類の細胞および腺分節データセットの675,000以上のマスクを用いて訓練した。 このモデルとグラフィカルなユーザインターフェースは、実践者がオープンソースとして利用可能な大規模な注釈付きデータセットを作成するのを支援するように設計されています。
  論文  参考訳（メタデータ） (2024-11-23T10:31:10Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• SegmentAnything helps microscopy images based automatic and quantitative organoid detection and analysis [2.9074136720945356]
  オルガノイド(Organoids)は、生体組織や臓器のアーキテクチャや機能を忠実に模倣する、自己組織化された3D細胞クラスターである。 最近の顕微鏡技術は、オルガノイドの形態的特徴を取得する強力なツールを提供するが、手動画像解析は依然として手間と時間を要するプロセスである。 本稿では、SegmentAnythingを利用して個々のオルガノイドを正確に分離する顕微鏡解析のための包括的パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-09-08T08:03:42Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)

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。