論文の概要: SAM for Robust Mitochondria Instance Segmentation in Fluorescence Microscopy
- arxiv url: http://arxiv.org/abs/2605.31284v1
- Date: Fri, 29 May 2026 13:19:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.629941
- Title: SAM for Robust Mitochondria Instance Segmentation in Fluorescence Microscopy
- Title（参考訳）: 蛍光顕微鏡におけるロバストミトコンドリアインスタンスセグメンテーションのためのSAM
- Abstract要約: 蛍光顕微鏡(FM)におけるミトコンドリアの形態解析は、細胞の健康、エネルギー生産、代謝調節を理解するために重要である。
Segment Anything Model (SAM)のような基盤モデルは、自然なイメージセグメンテーションに革命をもたらした。
SAMは、回折制限分解能、低コントラスト、複雑な重なり合うオルガネラネットワークによって特徴づけられる重要なドメインシフトによって妨げられている。
合成されたFMデータのみにSAMを微調整してスケーラブルな解を提案する。
- 参考スコア（独自算出の注目度）: 4.9272147541787366
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The morphological analysis of mitochondria in fluorescence microscopy (FM) is crucial for understanding cellular health, energy production, and metabolic regulation. While foundation models like the Segment Anything Model (SAM) have revolutionized natural image segmentation, their direct application to FM is hindered by a significant domain shift characterized by diffraction-limited resolution, low contrast, and complex overlapping organelle networks. Furthermore, the development of robust models is bottlenecked by a severe lack of high-quality, manually annotated instance segmentation datasets for mitochondria. In this paper, we propose a scalable solution to this data scarcity by finetuning SAM exclusively on synthetically generated FM data. We simulate realistic mitochondria data and emulate the optical properties of fluorescence microscopes to create a large-scale annotated dataset. We evaluate our fine-tuned model on a curated dataset of real, manually annotated FM images. Qualitative and quantitative analyses demonstrate that our synthetically fine-tuned model improves precision and average dice score over strong baselines. This work establishes the potential of simulation-assisted training for FM instance segmentation.
- Abstract（参考訳）: 蛍光顕微鏡(FM)におけるミトコンドリアの形態解析は、細胞の健康、エネルギー生産、代謝調節を理解する上で重要である。
Segment Anything Model (SAM) のような基礎モデルは自然画像のセグメンテーションに革命をもたらしたが、FMへの直接適用は回折制限分解能、低コントラスト、複雑な重複オルガネラネットワークによって特徴づけられる重要な領域シフトによって妨げられている。
さらに、ロバストモデルの開発は、ミトコンドリアのための高品質で手動の注釈付きインスタンスセグメンテーションデータセットの欠如によってボトルネックとなっている。
本稿では、合成されたFMデータのみにSAMを微調整することで、このデータ不足に対するスケーラブルな解決策を提案する。
実際のミトコンドリアデータをシミュレートし、蛍光顕微鏡の光学特性をエミュレートし、大規模アノテートデータセットを作成する。
我々は,手動で注釈付きFM画像のキュレートされたデータセットを用いて,微調整モデルの評価を行った。
定性的および定量的解析により,我々の合成微調整モデルにより,強いベースラインよりも精度と平均ダイススコアが向上することが示された。
この研究は、FMインスタンスセグメンテーションのためのシミュレーション支援トレーニングの可能性を確立する。
関連論文リスト
- Physics Informed Generative AI Enabling Labour Free Segmentation For Microscopy Analysis [3.3176565054468714]
本稿では、シミュレーションと現実のギャップを埋めることのできる、労働自由化のための新しい枠組みを提案する。
我々は、不対向画像画像変換にCycleGAN(Cycle-Consistent Generative Adversarial Network)を用いる。
この合成データに特化して訓練されたU-Netモデルは、目に見えない実験画像に展開する際、顕著な一般化を示した。
論文 参考訳（メタデータ） (2026-02-02T06:36:06Z) - MSDM: Generating Task-Specific Pathology Images with a Multimodal Conditioned Diffusion Model for Cell and Nuclei Segmentation [0.3650448386461648]
セルと核のセグメンテーションのための画素精度画像-マスクペアを生成するためのマルチモーダルセマンティック拡散モデルを提案する。
生成過程を細胞核形態で条件付けすることで、MSDMは所望のモルフォロジー特性を持つデータセストを生成する。
細胞・核セグメンテーションモデルの堅牢性と一般化性を向上させるために,多モード拡散に基づく拡張の有効性を強調した。
論文 参考訳（メタデータ） (2025-10-10T08:23:14Z) - MarS-FM: Generative Modeling of Molecular Dynamics via Markov State Models [4.818682161738301]
我々は、マルコフ状態モデル(MSM)によって定義された離散状態の遷移をサンプル化する新しい生成モデル、MSMエミュレータを導入する。
本評価は, タンパク質ドメインに, 展開イベントを含む化学的, 構造的多様性を有し, 一般化を評価するために, トレーニングセットとテストセットの厳密な配列の相違を強制する。
論文 参考訳（メタデータ） (2025-09-29T13:42:25Z) - 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) - PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [83.35198885088093]
PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。
複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。
PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。
本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
論文 参考訳（メタデータ） (2024-12-17T09:59:53Z) - CryoFM: A Flow-based Foundation Model for Cryo-EM Densities [50.291974465864364]
生成モデルとして設計された基礎モデルであるCryoFMについて,高品質密度マップの分布を学習する。
フローマッチングに基づいて構築されたCryoFMは、生物分子密度マップの以前の分布を正確に捉えるために訓練されている。
論文 参考訳（メタデータ） (2024-10-11T08:53:58Z) - Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。
CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
論文 参考訳（メタデータ） (2024-07-16T14:05:03Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Leveraging generative adversarial networks to create realistic scanning
transmission electron microscopy images [2.5954872177280346]
機械学習は、自律的なデータ収集と処理を通じて材料研究に革命をもたらす可能性がある。
我々は,実空間周波数情報を用いたシミュレーションデータを増大させるために,相互空間判別器を備えたサイクル生成逆数ネットワーク(CycleGAN)を用いる。
完全な畳み込みネットワーク(FCN)をトレーニングして、450万個の原子データセット内の単一原子欠陥を同定することで、我々のアプローチを実証する。
論文 参考訳（メタデータ） (2023-01-18T19:19:27Z) - Semi-Supervised Segmentation of Mitochondria from Electron Microscopy
Images Using Spatial Continuity [3.631638087834872]
ミトコンドリアの構造的・形態的・文脈的情報の空間的連続性を利用してミトコンドリアをセグメント化する半教師付き深層学習モデルを提案する。
我々のモデルは、最先端の完全教師付きモデルと同じような性能を達成するが、アノテーション付きトレーニングデータの20%しか必要としない。
論文 参考訳（メタデータ） (2022-06-06T06:52:19Z) - 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)
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。