論文の概要: Patch-based Querying Identifies Structures of Interest in Electron Microscopy

• arxiv url: http://arxiv.org/abs/2610.06020v1
• Date: Mon, 05 Oct 2026 09:18:45 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:41:09.079826
• Title: Patch-based Querying Identifies Structures of Interest in Electron Microscopy
• Title（参考訳）: パッチベースのクエリーは電子顕微鏡における関心の構造を同定する
• Abstract要約: 本稿では,ローカル画像記述子の自己教師型学習に基づくパッチベースの検索フレームワークを提案する。 我々のフレームワークは対話的であり、人間の専門家が検索クエリを洗練し、関連画像のパッチを素早く取得し、ラベル付きデータはほとんど使用しない。
• 参考スコア（独自算出の注目度）: 41.00079564974086
• License:
• Abstract: Volume electron microscopy (vEM) has emerged as an essential sensing technique in biomedical research, allowing the three-dimensional imaging of biological cells and tissues at nanometer-scale resolution. The ability to generate extensive datasets has reached the limitations of downstream analysis processes, which depend significantly on the intervention of human experts for preprocessing and annotation. We propose an efficient and reliable patch-based retrieval framework based on self-supervised learning of local image descriptors to locate self-similar structures in vEM datasets. Given a few manual annotations of a given cellular structure, our method can retrieve similar structures across the EM volume. Our framework is interactive, allowing the human expert to refine the search queries and retrieve relevant image patches quickly and using little labeled data. Experiments on real-world vEM images of biological tissues demonstrate that our framework can reliably identify relevant cellular structures, generalize across different organelles and acquisition modalities, and substantially reduce the search space for downstream analysis.
• Abstract（参考訳）: 体積電子顕微鏡(VEM)は生体医学研究において重要なセンシング技術として登場し、ナノメートルの解像度で生体細胞や組織の3次元イメージングを可能にしている。 大規模なデータセットを生成する能力は、前処理とアノテーションのための人間の専門家の介入に大きく依存する下流分析プロセスの限界に達している。 本稿では,ローカル画像記述子の自己教師型学習に基づいて,vEMデータセット内の自己相似構造を見つけるための,効率的で信頼性の高いパッチベース検索フレームワークを提案する。 与えられた細胞構造に関する手動のアノテーションが与えられた場合,本手法はEMボリューム全体にわたって類似した構造を検索することができる。 我々のフレームワークは対話的であり、人間の専門家が検索クエリを洗練し、関連画像のパッチを素早く取得し、ラベル付きデータはほとんど使用しない。 実世界の生体組織のVEM画像を用いた実験により,我々のフレームワークは,関係する細胞構造を確実に同定し,異なる器官をまたいだ一般化と獲得のモダリティを示し,下流解析のための探索空間を著しく削減できることがわかった。

関連論文リスト

• POPSICLE: Benchmark Datasets for Segmentation and Localization in CryoET [1.4588049951137065]
  本稿では,CryoETセグメンテーションとマクロ分子ローカライゼーションのためのベンチマークスイートであるPOPSICLEを提案する。 CryoET Data Portal - トモグラフィデータ、メタデータ、アノテーションのオープンでML対応のリポジトリ。 新しいデータセットとアノテーションが利用可能になると、拡張できる。
  論文  参考訳（メタデータ） (2026-06-08T23:47:24Z)
• MMBU: A Massive Multi-modal Biomedical Understanding Benchmark to Probe the Perception Capabilities of Vision-Language Models [83.50100003741628]
  ビジョンと言語モデル(VLM)は、バイオメディカルイメージングを変革する大きな可能性を秘めている。 本稿では,MMBU(Massive Multimodal Biomedical Understanding)ベンチマークを紹介する。 今までで最大のビジョンと言語ベンチマークで、35のサブモダリティと豊富な構造化メタデータをカバーしている。
  論文  参考訳（メタデータ） (2026-06-04T20:24:47Z)
• CAPSUL: A Comprehensive Human Protein Benchmark for Subcellular Localization [50.559485139565076]
  我々は, 多様な3次元構造表現と微細な細胞内局在アノテーションを統合するデータセットである $mathbfCAPSUL$ という新しいベンチマークを導入する。 このベンチマークは、様々な最先端のシーケンスベースモデルと構造ベースモデルを用いて評価し、この課題に構造的特徴を関与させることの重要性を示す。 最後に,Golgi 装置のケーススタディを通じて,構造に基づく手法の強力な解釈可能性を示す。
  論文  参考訳（メタデータ） (2026-03-19T07:33:04Z)
• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• Curiosity Driven Exploration to Optimize Structure-Property Learning in Microscopy [0.4517077427559345]
  本稿では、探索されていない構造-プロパティ関係を持つ領域を積極的にサンプリングする、代替的な軽量好奇性アルゴリズムを提案する。 本アルゴリズムは, 構造特性予測のためのランダムサンプリングよりも優れており, 材料科学における構造-プロパティ関係を効率的にマッピングするための便利なツールを提供する。
  論文  参考訳（メタデータ） (2025-04-28T17:31:29Z)
• Multiplex Imaging Analysis in Pathology: a Comprehensive Review on Analytical Approaches and Digital Toolkits [0.7968706282619793]
  マルチ多重イメージングは、複数のバイオマーカーを1つのセクションで同時に視覚化することを可能にする。 多重画像からのデータは、前処理、セグメンテーション、特徴抽出、空間解析のための洗練された計算方法を必要とする。 PathMLは、画像分析を効率化するAIベースのプラットフォームで、臨床および研究環境では複雑な解釈がアクセス可能である。
  論文  参考訳（メタデータ） (2024-11-01T18:02:41Z)
• A novel framework employing deep multi-attention channels network for the autonomous detection of metastasizing cells through fluorescence microscopy [0.20999222360659603]
  正常細胞と転移細胞を区別できる計算フレームワークを開発した。 この方法は、正常で転移する単細胞においてアクチンとビメンチンフィラメントの空間的構造を示す蛍光顕微鏡画像に依存する。
  論文  参考訳（メタデータ） (2023-09-02T11:20:10Z)
• 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)
• 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。