論文の概要: Learning 3D biophysical cell properties from 2D images and cell-population statistics
- arxiv url: http://arxiv.org/abs/2609.22410v1
- Date: Fri, 18 Sep 2026 16:34:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:03.871242
- Title: Learning 3D biophysical cell properties from 2D images and cell-population statistics
- Title（参考訳）: 2次元画像と細胞集団統計から3次元生体物理細胞特性を学習する
- Abstract要約: 2次元顕微鏡から3次元セル特性を推定することは、参照機器が人口統計のみを報告する場合に困難である。
そこで我々は,単一2次元赤細胞画像から潜伏する生体物理量にマッピングする個体群管理フレームワークを開発した。
このフレームワークは、明示的な3D再構成を主張することなく、2D画像と人口管理から3D細胞生理学へのテスト可能なルートを提供する。
- 参考スコア（独自算出の注目度）: 0.010742675209112621
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inferring 3D cellular properties from 2D microscopy is difficult when a reference instrument reports only population statistics rather than labels for individual cells. Here we develop a population-supervised framework that maps single 2D red-cell images to latent biophysical quantities and aggregates them to mean corpuscular volume, red-cell distribution width and mean corpuscular haemoglobin. The model combines shared local inference, a biophysically structured decoder for volume and haemoglobin, learned instance weighting and device-specific calibration. We formalise conditions under which aggregate observations identify restricted instance predictors, show why population agreement does not by itself identify single-cell properties or 3D geometry, and derive the dispersion penalty induced by subset mean matching. The development dataset comprises 390 specimens and 1,105 acquisitions across six devices, with reported Pearson correlations of 0.86--0.98 against a Sysmex analyser. The framework provides a testable route from 2D images and population supervision to 3D cellular biophysics without claiming explicit 3D reconstruction.
- Abstract（参考訳）: 2次元顕微鏡から3次元セル特性を推定することは、参照機器が個々のセルのラベルよりも人口統計のみを報告する場合に困難である。
そこで本研究では, 単一2次元赤細胞画像を潜在生体物理量にマッピングし, セルの体積, 赤細胞分布幅, 平均ヘモグロビンに集約する。
このモデルは、共用ローカル推論、体積とヘモグロビンの物理的に構造化されたデコーダ、学習されたインスタンス重み付けとデバイス固有のキャリブレーションを組み合わせた。
本研究では,制限されたインスタンス予測子を集約観測で識別する条件を定式化し,単一セル特性や3次元幾何学自体が一致しない理由を示し,サブセット平均マッチングによって誘導される分散ペナルティを導出する。
開発データセットは6つのデバイスで390の標本と1,105の取得からなり、Pearsonの相関はSysmex分析装置に対して0.86-0.98と報告されている。
このフレームワークは、明示的な3D再構成を主張することなく、2D画像と人口管理から3D細胞生理学へのテスト可能なルートを提供する。
関連論文リスト
- BioM-JEPA: joint-embedding prediction of graph-connected gene blocks in single cells [64.21963170814706]
BioM-JEPAはグラフ接続された遺伝子ブロックの集合表現を予測する。
学生ネットワークは、細胞内の残りの遺伝子から各ターゲットブロック表現を推論する。
CellBenchタスク全体で、BioM-JEPA埋め込みは発現、経路、および周辺情報を保持している。
論文 参考訳（メタデータ） (2026-08-06T11:58:29Z) - Sampling-Aware 3D Spatial Analysis in Multiplexed Imaging [6.355732454577005]
高多重顕微鏡は、単一細胞の分解能で組織をリッチに特徴づけることができる。
ほとんどの分析は、本質的に3次元組織組織であるにもかかわらず、2次元の切断に依存している。
直列断面からのスパースかつ一貫した3次元解析を可能にする幾何認識再構成モジュールを提案する。
論文 参考訳（メタデータ） (2026-04-09T06:59:15Z) - Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells [48.885716676667776]
Lingshu-Cellは、転写状態の分布を学習し、摂動下で条件シミュレーションをサポートする離散拡散モデルである。
約18,000の遺伝子にまたがる複雑なトランスクリプトーム全体の発現依存性を、以前の遺伝子選択に頼らずに捕捉する。
これは、Virtual Cell Challenge H1遺伝子摂動ベンチマークにおいて、ヒトPBMCのサイトカイン誘発反応の予測において、主要な性能を発揮する。
論文 参考訳（メタデータ） (2026-03-26T09:46:27Z) - Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。
我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。
本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-11-17T08:27:13Z) - Segment Anything for Cell Tracking [2.0382881548515575]
タイムラプス顕微鏡画像のためのゼロショットセルトラッキングフレームワークを提案する。
完全教師なしのアプローチとして、我々の手法は特定のトレーニングデータセットからのバイアスに依存したり、受け継いだりしない。
提案手法は,2次元および大規模3次元タイムラプス顕微鏡ビデオにおける競合精度を実現する。
論文 参考訳（メタデータ） (2025-09-12T03:19:35Z) - 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) - Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。
我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。
また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
論文 参考訳（メタデータ） (2025-06-26T09:05:38Z) - Single cell resolution 3D imaging and segmentation within intact live tissues [2.3326493996358804]
本稿では, サンプル調製, イメージング, 深層学習支援セルセグメンテーションのための詳細なステップバイステッププロトコルについて述べる。
このプロトコルは様々なサンプルに適用され、3Dで複雑な解析を必要とする他の組織の研究に有用であると考えています。
論文 参考訳（メタデータ） (2025-01-31T15:13:04Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z) - YOLO2U-Net: Detection-Guided 3D Instance Segmentation for Microscopy [0.0]
脳組織中の細胞の正確な3Dインスタンスセグメンテーションのための包括的手法を提案する。
提案手法は,2次元YOLO検出法と多視点融合アルゴリズムを組み合わせることで,細胞の3次元局在化を構築する。
提案手法の有望な性能を,現在の深層学習に基づく3次元インスタンス分割法と比較した。
論文 参考訳（メタデータ） (2022-07-13T14:17:52Z)
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。