論文の概要: CellNet -- Localizing Cells using Sparse and Noisy Point Annotations

• arxiv url: http://arxiv.org/abs/2606.12286v1
• Date: Wed, 10 Jun 2026 16:22:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.560531
• Title: CellNet -- Localizing Cells using Sparse and Noisy Point Annotations
• Title（参考訳）: CellNet -- スパースとノイズポイントアノテーションを用いたセルのローカライズ
• Authors: Benjamin Eckhardt, Dmytro Fishman, Stuart Fawke, Andrew Curtis, Bo Fussing, Constantin Pape,
• Abstract要約: 位相コントラスト顕微鏡画像中の細胞を検出・カウントする回帰型コンピュータビジョンアルゴリズムを開発した。 最先端の0ショット法と比較して、回帰ベースのカウントは低データレシエーションにおいて有望な代替手段であることを示す。
• 参考スコア（独自算出の注目度）: 4.157358946959188
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Counting living cells is an important step in many biological research workflows. Our collaborators at the Wellcome Sanger Institute study vital genes in humans via large scale saturation genome editing screening, which requires repeatedly counting cells a great number of times. Computer Vision based automation is crucial for high throughput and resource efficiency. In this work, we develop a regression-based deep learning computer vision algorithm to detect and count cells in phase-contrast microscopy images. To reduce annotation effort, which in practice often becomes a bottleneck, we focus on counting cells only using sparse point annotations, which are fast and easy to acquire. By comparison to state-of-the-art 0-shot methods, we show that regression-based counting is a promising alternative in low data regimes. Through developing methods to automatically count living cells in microscopy images, we contribute to valuable research on the human genome. The code is available at https://github.com/beijn/cellnet.
• Abstract（参考訳）: 生体細胞を数えることは多くの生物学的研究のワークフローにおいて重要なステップである。 Wellcome Sanger Instituteの協力者たちは、大規模な飽和ゲノム編集スクリーニングを通じて人間の重要な遺伝子を研究する。 コンピュータビジョンに基づく自動化は、高いスループットとリソース効率に不可欠である。 本研究では,位相コントラスト顕微鏡画像中の細胞を検出・カウントする回帰学習型ディープラーニングコンピュータビジョンアルゴリズムを開発した。 実際にはボトルネックとなることが多いアノテーションの労力を減らすために、我々はスパースポイントアノテーションのみを使用して細胞を数えることに重点を置いている。 最先端の0ショット法と比較して、回帰ベースのカウントは低データレシエーションにおいて有望な代替手段であることを示す。 顕微鏡画像中の生体細胞を自動的にカウントする方法を開発することにより、ヒトゲノムの貴重な研究に貢献する。 コードはhttps://github.com/beijn/cellnet.comで公開されている。

関連論文リスト

• CellFMCount: A Fluorescence Microscopy Dataset, Benchmark, and Methods for Cell Counting [10.191134773938566]
  細胞分化に関する免疫細胞化学実験から得られた3,023ドルの画像からなる大規模アノテートデータセットを紹介した。 データセットは、高い細胞密度、重なり合い、形態的に多様な細胞、画像当たりの細胞数の長期分布、染色プロトコルのバリエーションなど、重要な課題を提示する。 我々は、Segment Anything Model(SAM)の密度マップに基づく適応を実装し、平均絶対誤差(MAE)を22.12ドルと報告し、既存のアプローチより優れている。
  論文  参考訳（メタデータ） (2025-11-24T17:53:59Z)
• DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
  DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。 DiffKillRは、大規模な顕微鏡画像間でアノテーションを効率よく伝播し、広範囲な手動ラベリングの必要性を減らす。 我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
  論文  参考訳（メタデータ） (2024-10-04T00:38:29Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• EfficientCellSeg: Efficient Volumetric Cell Segmentation Using Context Aware Pseudocoloring [4.555723508665994]
  ボリュームセルセグメンテーションのための小さな畳み込みニューラルネットワーク(CNN)を導入する。 我々のモデルは効率的で非対称なエンコーダ・デコーダ構造を持ち、デコーダにはほとんどパラメータがない。 我々のCNNモデルは,他の上位手法に比べて最大25倍のパラメータ数を持つ。
  論文  参考訳（メタデータ） (2022-04-06T18:02:15Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• Classification Beats Regression: Counting of Cells from Greyscale Microscopic Images based on Annotation-free Training Samples [20.91256120719461]
  本研究は、注釈付きトレーニング画像を用いることなく、グレースケールの顕微鏡画像から細胞をカウントする教師あり学習フレームワークを提案する。 我々は、セルカウントタスクを画像分類問題として定式化し、セルカウントをクラスラベルとする。 これらの制約に対処するために,未確認の細胞数に対する画像の合成を行う,単純だが効果的なデータ拡張法を提案する。
  論文  参考訳（メタデータ） (2020-10-28T06:19:30Z)
• 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)
• Learning to segment clustered amoeboid cells from brightfield microscopy via multi-task learning with adaptive weight selection [6.836162272841265]
  マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。 ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。 検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
  論文  参考訳（メタデータ） (2020-05-19T11:31:53Z)
• Cell Segmentation and Tracking using CNN-Based Distance Predictions and a Graph-Based Matching Strategy [0.20999222360659608]
  顕微鏡画像における触覚細胞のセグメンテーション法を提案する。 距離マップにインスパイアされた新しい細胞境界の表現を用いることで, 触覚細胞だけでなく, 近接細胞をトレーニングプロセスで利用することができる。 この表現は、特にアノテーションエラーに対して堅牢であり、未表現または未含の細胞型を含むトレーニングデータに含まれる顕微鏡画像のセグメンテーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2020-04-03T11:55:28Z)

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。