論文の概要: ARGUS: Accelerated, Robust, General, and Unsupervised Cell Tracking Solutions
- arxiv url: http://arxiv.org/abs/2607.08297v1
- Date: Thu, 09 Jul 2026 09:40:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.493268
- Title: ARGUS: Accelerated, Robust, General, and Unsupervised Cell Tracking Solutions
- Title（参考訳）: ARGUS: Accelerated, Robust, General, Unsupervised Cell Tracking Solutions
- Abstract要約: タイムラプス顕微鏡における自動細胞追跡のためのARGUSを提案する。
ARGUSは、アダプティブセル検出、高密度のFarneback光フロー予測、フレームからフレームへの線形割り当て、シーケンスレベルのトラックレット-リファインメントステップを組み合わせる。
公開データセットでは、ARGUSは0.905-0.971の検出精度と0.897-0.964のトラッキング精度を1分以内で達成した(3フレームで5-6秒)。
- 参考スコア（独自算出の注目度）: 0.5219568203653523
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background and Objective: Quantitative analysis of cell dynamics is central to modern biological research, providing critical insights into immune cell interactions, disease progression, and drug mechanisms. Automated cell tracking in time-lapse microscopy remains challenging due to noise, morphological variations, overlapping cells, and dynamic events such as divisions and fusions. Methods: We present ARGUS, a framework for Accelerated, Robust, General, and Unsupervised Cell Tracking Solutions. ARGUS combines adaptive cell detection, dense Farneback optical-flow prediction, frame-to-frame linear assignment, and a sequence-level tracklet-refinement step that reconnects trajectory fragments across short temporal gaps. Results: On publicly available Cell Tracking Challenge datasets, ARGUS achieved detection accuracy of 0.905-0.971 and tracking accuracy of 0.897-0.964, with runtimes within 1 minute (5-6 seconds for 3 frames). Conclusions: ARGUS is a modular, interpretable framework that can be adapted to different imaging modalities and biological applications without training data or GPU infrastructure. The implementation is publicly available at https://github.com/Gitinc/argus
- Abstract（参考訳）: 背景と目的: 細胞動態の定量的分析は現代の生物学的研究の中心であり、免疫細胞相互作用、疾患の進行、薬物機構に関する重要な洞察を提供する。
タイムラプス顕微鏡における細胞追跡の自動化は、ノイズ、形態的変化、重なり合う細胞、分裂や融合のような動的事象のために依然として困難である。
方法: アクセラレーション,ロバスト,ジェネラル,教師なしセル追跡ソリューションのためのフレームワークARGUSを提案する。
ARGUSは、適応的な細胞検出、高密度のFarneback光フロー予測、フレームからフレームへの線形割り当て、短い時間間隔で軌跡の断片を再接続するシーケンスレベルのトラックレット-リファインメントステップを組み合わせる。
結果: 公開されているCell Tracking Challengeデータセットにおいて,ARGUSは0.905-0.971の検出精度と0.897-0.964のトラッキング精度を1分以内で達成した(3フレームで5-6秒)。
結論: ARGUSは、データやGPUインフラストラクチャをトレーニングすることなく、さまざまな画像モダリティや生物学的アプリケーションに適応可能な、モジュラーで解釈可能なフレームワークである。
実装はhttps://github.com/Gitinc/argusで公開されている。
関連論文リスト
- CellBRIDGE: Learning Cellular Trajectories via Interaction-Aware Alignment [46.660621971318996]
人口スナップショットからダイナミクスを推論することは、機械学習と生物学における根本的な課題である。
我々はCellBRIDGEを導入し、リガンド受容体活性から誘導される有向型相互作用コストで機能ベースのOTを増強する。
細胞間通信を明示的にモデル化することにより、CellBRIDGEはクロススナップショット結合と下流軌道推定を改善する。
論文 参考訳（メタデータ） (2026-05-28T22:37:54Z) - AssayBench: An Assay-Level Virtual Cell Benchmark for LLMs and Agents [45.98505638696823]
我々は1,920個のCRISPRスクリーンから構築された表現型スクリーン予測のベンチマークであるAssayBenchを紹介する。
我々は,各画面の遺伝子ランク予測として画面予測タスクを定式化し,性能比較のための連続指標である調整されたnDCGを導入する。
評価の結果,既存手法は経験的に推定された性能天井から遠く離れていることが明らかとなった。
論文 参考訳（メタデータ） (2026-05-11T17:27:16Z) - MIOFlow 2.0: A unified framework for inferring cellular stochastic dynamics from single cell and spatial transcriptomics data [47.97758608694957]
We introduced Interpolating Manifold-Transport Flow (MIOFlow) 2.0。
この枠組みは、多様体学習、最適輸送、神経微分方程式を統合することにより、生物学的に情報を得た細胞軌道を学習する。
合成データセット、胚体分化、空間的に解決されたアクソロトル脳再生で検証される。
論文 参考訳（メタデータ） (2026-03-23T20:49:45Z) - An AI-enabled tool for quantifying overlapping red blood cell sickling dynamics in microfluidic assays [5.577003343220155]
このフレームワークは、AIによるアノテーション、セグメンテーション、分類、インスタンスカウントを統合して、赤血球の集団を定量化する。
これは、密封された細胞懸濁液を介して実験的スループットを2倍以上にし、薬物依存的な病的行動を捉え、細胞の形態的進化の機械生物学的特徴を明らかにすることができる。
論文 参考訳（メタデータ） (2026-01-25T05:32:53Z) - TransientTrack: Advanced Multi-Object Tracking and Classification of Cancer Cells with Transient Fluorescent Signals [1.53934570513443]
細胞追跡の現在の手法は、主に単一で一定の信号を持つビデオで開発されており、細胞死のような重要な事象を検出できない。
本稿では,多チャンネルビデオデータにおける細胞追跡のためのディープラーニングベースのフレームワークであるTransientTrackを紹介する。
化学物質の単細胞レベルでの有効性を解析するためのTransientTrackの使用を実証した。
論文 参考訳（メタデータ） (2025-12-01T17:08:12Z) - Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
シングルセル技術は、細胞の高次元点雲を生成する。
各患者は単純なベクトルではなく不規則な点雲で表される。
線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
論文 参考訳（メタデータ） (2025-10-24T21:33:12Z) - CellFlux: Simulating Cellular Morphology Changes via Flow Matching [44.8979602893102]
本稿では,化学および遺伝的摂動による細胞形態変化をシミュレートする画像生成モデルであるCellFluxを紹介する。
CellFluxは生物学的に意味のある細胞画像を生成し、摂動特異的な形態変化を忠実に捉える。
これらの能力は、生体医学研究のための仮想細胞モデリングの実現に向けた重要な一歩である。
論文 参考訳（メタデータ） (2025-02-13T21:10:00Z) - Cell as Point: One-Stage Framework for Efficient Cell Tracking [56.98130311648714]
本稿では,セルをポイントとして扱うことで細胞追跡を再現する新しいエンド・ツー・エンドのワンステージフレームワークであるCAPを提案する。
従来の方法とは異なり、CAPは明示的な検出やセグメンテーションの必要性を排除し、代わりに、その軌道間の固有の相関を利用して、1段階の配列の細胞を共同で追跡する。
Capは有望なセルトラッキング性能を示し、既存の方法の8倍から32倍の効率である。
論文 参考訳（メタデータ） (2024-11-22T10:16:35Z) - DynaCLR: Contrastive Learning of Cellular Dynamics with Temporal Regularization [0.5385157903509136]
DynaCLRは、時間経過画像の表現のコントラスト学習を通じて、細胞とオルガネラのダイナミクスを埋め込む自己教師型の方法である。
我々は単細胞追跡と時間認識のコントラストサンプリングを統合して、セルダイナミクスの頑健で時間的に正規化された表現を学習する。
論文 参考訳（メタデータ） (2024-10-15T05:01:25Z) - PhagoStat a scalable and interpretable end to end framework for
efficient quantification of cell phagocytosis in neurodegenerative disease
studies [0.0]
本稿では,食欲活動の定量化と分析を行うためのエンドツーエンド,スケーラブル,汎用的なリアルタイムフレームワークを提案する。
提案するパイプラインでは,大規模なデータセットを処理でき,データ品質検証モジュールも備えている。
我々はこのパイプラインをFTDの微小グリア細胞食細胞解析に応用し,統計的に信頼性の高い結果を得た。
論文 参考訳（メタデータ） (2023-04-26T18:10:35Z) - Advanced Multi-Microscopic Views Cell Semi-supervised Segmentation [0.0]
深層学習(DL)は細胞セグメンテーションタスクにおいて強力なポテンシャルを示すが、一般化が不十分である。
本稿では,Multi-Microscopic-view Cell semi-supervised (MMCS) と呼ばれる,新しい半教師付き細胞分割法を提案する。
MMCSは、マイクロスコープの異なる低ラベルの多姿勢細胞画像を用いて、細胞セグメンテーションモデルを訓練することができる。
F1スコアは0.8239であり、全てのケースのランニング時間は許容時間の範囲内である。
論文 参考訳（メタデータ） (2023-03-21T08:08:13Z) - 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。