論文の概要: Video to All-in-focus Image Reconstruction Algorithm for Automated Microscopic Urinalysis

• arxiv url: http://arxiv.org/abs/2607.13601v1
• Date: Wed, 15 Jul 2026 08:48:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.71197
• Title: Video to All-in-focus Image Reconstruction Algorithm for Automated Microscopic Urinalysis
• Title（参考訳）: 自動微視的尿道鏡手術のための全焦点画像再構成アルゴリズム
• Authors: Chinmay Nema, Hari Om Aggrawal, Dipam Goswami, Rajiv Gupta, Vinti Agarwal,
• Abstract要約: 微視的尿路透析は、病院での定期的な診断試験である。 近年の研究では、顕微鏡的尿分析の自動化のためのディープラーニング手法の有効性が実証されている。
• 参考スコア（独自算出の注目度）: 4.263579432067696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microscopic urinalysis is a routine diagnostic test at hospitals. Recent studies have demonstrated the effectiveness of deep learning methods to automate microscopic urinalysis. These methods rely on high-quality images of the urine samples in which each cell is clearly identifiable. However, in practice, the urine sample on a glass slide has a multi-layer structure; hence, all the cells are not clearly visible within the depth of field of a lens focused at a particular focal plane. It demands acquiring multiple images at different focal planes to correctly identify each cell in a given urine sample, which is a time-consuming task. In this paper, we propose to simplify the task by recording a video, in place of acquiring multiple images, while gradually changing the focus of the lens manually by hand. A typical length of the video is from 2 to 14 seconds. We reconstruct an all-in-focus image from the recorded video frames and apply a deep learning model to detect and classify urine sediments. As a proof of concept, we conduct experiments on 14 videos acquired by a trained lab technician in a usual diagnostic lab environment and show the effectiveness of the proposed automated urinalysis pipeline with our novel reconstruction algorithm.
• Abstract（参考訳）: 微視的尿路透析は、病院での定期的な診断試験である。 近年の研究では、顕微鏡的尿分析を自動化する深層学習法の有効性が実証されている。 これらの方法は、各細胞が明確に識別可能な尿サンプルの高品質な画像に依存する。 しかし、実際には、ガラススライド上の尿サンプルは多層構造であるため、すべての細胞は特定の焦点面に焦点を合わせているレンズの奥深くではっきりと見えるわけではない。 特定の尿サンプル中の各細胞を正しく識別するために、異なる焦点面で複数の画像を取得する必要がある。 本稿では,手動で手動でレンズの焦点を変えながら,複数の画像を取得する代わりに映像を録音することで作業の簡略化を提案する。 ビデオの典型的な長さは2秒から14秒である。 記録されたビデオフレームから全焦点画像を再構成し,尿堆積物の検出と分類にディープラーニングモデルを適用した。 概念実証として,通常の診断実験室環境において,訓練された実験室技術者が取得した14本のビデオについて実験を行い,提案した自動尿路パイプラインの有効性を新しい再構成アルゴリズムを用いて示す。

関連論文リスト

• Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection [40.97322222472642]
  本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。 糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。 我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
  論文  参考訳（メタデータ） (2023-06-26T16:48:20Z)
• Improving Classification of Retinal Fundus Image Using Flow Dynamics Optimized Deep Learning Methods [0.0]
  糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。 経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
  論文  参考訳（メタデータ） (2023-04-29T16:11:34Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Boosting Kidney Stone Identification in Endoscopic Images Using Two-Step Transfer Learning [0.8431877864777444]
  提案手法は,CCDカメラで取得した腎臓結石の画像に基づいて得られた知識を,内視鏡画像から画像を分類する最終モデルに伝達する。 その結果、類似した情報を持つ異なる領域からの学習特徴が、実環境における分類を行うモデルの性能向上に有効であることが示唆された。
  論文  参考訳（メタデータ） (2022-10-24T23:22:22Z)
• Semi-Automatic Labeling and Semantic Segmentation of Gram-Stained Microscopic Images from DIBaS Dataset [2.0225826789157404]
  深層学習モデルは、細菌種のセグメンテーションと分類を達成するために訓練される。 ディープラーニングモデルは、バイオメディカル画像処理に多大な応用を見出す。
  論文  参考訳（メタデータ） (2022-08-23T05:18:19Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• A fully automated end-to-end process for fluorescence microscopy images of yeast cells: From segmentation to detection and classification [0.0]
  酵母細胞の蛍光顕微鏡画像の細胞区画を自動的にセグメント化し、検出し、分類するエンドツーエンドのプロセスを構築します。 この完全に自動化されたプロセスは、PerICo1プロジェクトの対話型e-Scienceサーバに統合される。 応用領域は酵母細胞における光学顕微鏡であるが、医療用途における多細胞画像にも適用できる。
  論文  参考訳（メタデータ） (2021-04-06T21:24:50Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Lesion2Vec: Deep Metric Learning for Few-Shot Multiple Lesions Recognition in Wireless Capsule Endoscopy Video [0.0]
  wireless capsule endoscopy (wce) は、消化管全体を非侵襲的に可視化することで、従来の内視鏡手術に革命をもたらした。 単一のビデオは最大8時間で3万から10万の画像を生成できる。 We propose a metric-based learning framework followed with a few-shot lesion recognition in WCE data。
  論文  参考訳（メタデータ） (2021-01-11T23:58:56Z)
• Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
  経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。 この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
  論文  参考訳（メタデータ） (2020-01-14T22:55:03Z)

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。