論文の概要: DART: A design-aware microfluidic chip paradigm for real-time live-cell image analysis
- arxiv url: http://arxiv.org/abs/2606.18523v1
- Date: Tue, 16 Jun 2026 22:38:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:50.918956
- Title: DART: A design-aware microfluidic chip paradigm for real-time live-cell image analysis
- Title（参考訳）: DART:リアルタイムライブセル画像解析のための設計対応マイクロ流体チップパラダイム
- Authors: Johannes Seiffarth, Matthias Pesch, Lukas Scholtes, Dietrich Kohlheyer, Hanno Scharr, Katharina Nöh,
- Abstract要約: マイクロ流体チップのためのDART(Design-Aware and Real-Time capable)パラダイムを提案する。
DARTは、すべての関心領域(RoI)のスループット非依存のローカライズと、さまざまなRoIジオメトリ間で完全に自動化された画像処理を可能にする。
我々はDARTをスイス陸軍ナイフチップを用いて検証し、1164箇所で8つの構造的に異なるRoI設計を組み合わせた。
- 参考スコア（独自算出の注目度）: 1.806165627357731
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: High-throughput microfluidic live-cell imaging generates rich single-cell data. Yet semi-automated procedures for locating regions of interest (RoIs), each containing one cell population, and removing surrounding microfluidic structures from recorded images, scale with the number of RoIs. This prevents real-time image analysis and delays time-to-insight by hours to days. We introduce the Design-Aware and Real-Time capable (DART) paradigm for microfluidic cultivation chips, which aligns the CAD blueprint with the physical chip and thereby enables throughput-independent localization of all RoIs and fully automated image processing across diverse RoI geometries and chip layouts. DART establishes this alignment through embedded fiducial markers and deep-learning-based marker detection. We validate DART using the Swiss Army Knife chip, which combines eight structurally distinct RoI designs across 1164 RoI locations. DART localizes all RoIs in five minutes, removes microfluidic structures from raw microscopy images in 40 ms, and performs fully automated image analysis, including cell segmentation, in under 1.1 s per image. Together, these capabilities establish DART as an end-to-end hardware-software paradigm with real-time-capable analysis that paves the way toward closed-loop and outcome-driven smart microscopy.
- Abstract（参考訳）: 高出力マイクロ流体ライブセルイメージングはリッチ単一セルデータを生成する。
しかし、興味領域(RoIs)を半自動で特定する手順は、それぞれ1つの細胞集団を含み、記録された画像から周囲の微小流体構造を取り除き、RoIの数を拡大する。
これにより、リアルタイムの画像解析が不可能になり、何時間から何日も監視が遅れる。
そこで我々は,CADブループリントを物理チップに整合させ,全RoIのスループット非依存なローカライゼーションと,多様なRoI測地およびチップレイアウトの完全自動画像処理を実現するマイクロ流体培養チップのDARTパラダイムを提案する。
DARTはこのアライメントを、組み込みのフィデューシャルマーカーとディープラーニングベースのマーカー検出を通じて確立する。
我々はDARTをスイス陸軍ナイフチップを用いて検証し、1164箇所で8つの構造的に異なるRoI設計を組み合わせた。
DARTは全RoIを5分でローカライズし、生の顕微鏡画像から40ミリ秒でマイクロ流体構造を取り除き、セルセグメンテーションを含む完全な自動画像解析を1秒あたり1.1秒以下で行う。
これらの能力は、DARTをエンド・ツー・エンドのハードウェア・ソフトウェアパラダイムとして確立し、リアルタイム対応分析によってクローズドループと結果駆動型スマート顕微鏡への道を開く。
関連論文リスト
- Dual-Control Frequency-Aware Diffusion Model for Depth-Dependent Optical Microrobot Microscopy Image Generation [7.32096324372237]
物理的に一貫した顕微鏡画像合成のための二重制御・周波数認識拡散モデルであるDu-FreqNetを提案する。
微分可能なFFTベースの監視を活用することで、Du-FreqNetは物理的に意味のある周波数分布を、ピクセル空間法で欠落することが多い。
我々のモデルは制御可能な深度依存画像合成を実現し、ベースライン上でSSIMを20.7%改善する。
論文 参考訳（メタデータ） (2026-04-13T16:24:08Z) - MI-DETR: A Strong Baseline for Moving Infrared Small Target Detection with Bio-Inspired Motion Integration [63.87179575890912]
我々は、赤外線小ターゲット検出のためのバイオインスパイアされたデュアルパス検出装置であるモーション統合DETR(MI-DETR)を提案する。
まず、網膜にインスパイアされたセルオートマトン(RCA)は、生フレーム配列を外観画像と同じピクセルグリッド上に定義されたモーションマップに変換する。
第二に、PMI(Parvocellular-Magnocellular Interconnection)ブロックは2つの経路間の双方向の特徴的相互作用を促進する。
論文 参考訳（メタデータ） (2026-03-05T11:39:31Z) - Visual Anomaly Detection for Reliable Robotic Implantation of Flexible Microelectrode Array [12.807553276996847]
本稿では,ロボットFME植込みシステムの顕微鏡カメラを用いた画像に基づく異常検出フレームワークを開発した。
統合されたフレームワークを4つのチェックポイントで利用し、マイクロニードル、FMEプローブ、フック結果、インプラント点をチェックする。
タスク仕様を考慮し、感度-耐性トレードオフ問題に対処するプログレッシブパッチ特徴サンプリング手法を提案する。
論文 参考訳（メタデータ） (2025-10-10T07:16:53Z) - trAIce3D: A Prompt-Driven Transformer Based U-Net for Semantic Segmentation of Microglial Cells from Large-Scale 3D Microscopy Images [39.58317527488534]
本稿では,精密マイクログリアセグメンテーションのためのディープラーニングアーキテクチャであるtrAIce3Dを紹介する。
まず、エンコーダ内の視覚変換器を備えた3D U-Netは、スライディングウインドウ技術を用いて、画像全体をカバーするソマを検出する。
次に、ソマ座標をプロンプトとして、ターゲットセルの周りの3Dウィンドウを入力として、ソマとその枝を洗練する。
TRAIce3Dは41,230マイクログリアセルのデータセットで訓練され、評価され、セグメンテーションの精度とスケーラブルな一般化を著しく改善する。
論文 参考訳（メタデータ） (2025-07-30T12:54:53Z) - Cross-Spectral Body Recognition with Side Information Embedding: Benchmarks on LLCM and Analyzing Range-Induced Occlusions on IJB-MDF [51.36007967653781]
ViT(Vision Transformers)は、顔や身体の認識を含む幅広い生体計測タスクにおいて、印象的なパフォーマンスを誇示している。
本研究では、視認性(VIS)画像に事前訓練されたVTモデルを、クロススペクトル体認識の難しい問題に適用する。
このアイデアに基づいて、我々はSide Information Embedding (SIE)を統合し、ドメインとカメラ情報のエンコーディングの影響を調べ、スペクトル間マッチングを強化する。
驚くべきことに、我々の結果は、ドメイン情報を明示的に組み込むことなく、カメラ情報のみを符号化することで、LLCMデータセット上で最先端のパフォーマンスが得られることを示している。
論文 参考訳（メタデータ） (2025-06-10T16:20:52Z) - Macro2Micro: A Rapid and Precise Cross-modal Magnetic Resonance Imaging Synthesis using Multi-scale Structural Brain Similarity [17.13479117328612]
我々は、GAN(Generative Adversarial Network)を用いて、マクロ構造から脳の微細構造を予測するディープラーニングフレームワークであるMacro2Microを紹介する。
我々は,T1強調MRIをFA画像に忠実に変換し,従来法と比較して構造類似度指数測定(SSIM)を6.8%改善したことを示す。
MRモダリティ変換あたり0.01秒未満の推論時間を持つマクロ2マイクロは、医学および研究応用におけるリアルタイムマルチモーダルレンダリングの可能性を導入する。
論文 参考訳（メタデータ） (2024-12-15T18:49:20Z) - Interpretable Embeddings for Segmentation-Free Single-Cell Analysis in Multiplex Imaging [1.8687965482996822]
多重イメージング(MI)は、複数の生物学的マーカーを、細胞内解像度で別々のイメージングチャネルで同時に可視化することを可能にする。
本稿では,グループ化畳み込みを利用して各画像チャンネルから解釈可能な埋め込み特徴を学習するセグメンテーションフリーなディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2024-11-02T11:21:33Z) - 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) - Tracking perovskite crystallization via deep learning-based feature
detection on 2D X-ray scattering data [137.47124933818066]
本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。
有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
論文 参考訳（メタデータ） (2022-02-22T15:39:00Z) - 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)
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。