論文の概要: Label-free cell counting and viability prediction with brightfield imaging and deep learning

• arxiv url: http://arxiv.org/abs/2610.10473v1
• Date: Wed, 07 Oct 2026 17:34:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.088096
• Title: Label-free cell counting and viability prediction with brightfield imaging and deep learning
• Title（参考訳）: 輝度場イメージングとディープラーニングによるラベルフリー細胞カウントと生存率予測
• Abstract要約: ラベルのない細胞生存分析のためのAI支援ソフトウェアであるViabiLensを開発した。 ViabiLensは、個々の細胞をローカライズするための細胞検出モデルと、ライブ/デッド予測のための畳み込みニューラルネットワーク(CNN)を組み合わせる。
• 参考スコア（独自算出の注目度）: 0.21748200848556343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cell viability assessment is a core requirement in cell culture systems, with critical applications in biopharmaceutical manufacturing and drug development. Conventionally, it is measured by adding membrane-impermeable dyes to a sample (a process called staining), which allows compromised cell membranes to be distinguished from intact ones. However, staining has several limitations: (a) chemical agents can perturb normal cellular processes of the cells being measured, (b) it is often ambiguous to assign viability to individual cells whose membrane integrity is only partially compromised. (c) photobleaching can undermine measurement accuracy over time when using fluorescent stains, and (d) staining cannot be performed in situ or in real time. Here, we show that (1) stained cells captured under brightfield imaging contain sufficient information to distinguish live and dead cells, and (2) cells captured under unstained brightfield imaging exhibit similar image features to their stained counterparts, enabling models trained on stained cells to generalize to unstained ones. We then report the development and validation of ViabiLens, an AI-assisted software for label-free cell viability analysis. The ViabiLens combines a cell detection model for localizing individual cells with a convolutional neural network (CNN) classifier for live/dead prediction, paired with an interactive UMAP-based viewer for visualizing and exploring individual cells across the sample. Evaluated on Chinese Hamster Ovary (CHO) cells spanning a wide range of viability conditions, ViabiLens achieves a mean absolute error of 2.68\% on unstained samples against fluorescence-based reference measurements. We also release a benchmark dataset for label-free cell viability analysis to facilitate future research, available at https://amirrezavazifeh.github.io/ViabiLens-Project-Page/.
• Abstract（参考訳）: 細胞生存性評価は、細胞培養システムにおける中核的な要件であり、バイオ医薬品製造および医薬品開発において重要な応用である。 従来の方法では、サンプル(染色と呼ばれるプロセス)に膜不透過性染料を加えることで測定される。 しかし、染色にはいくつかの制限がある。 a) 化学薬品は、測定中の細胞の正常な細胞過程を摂動させることができる。 b) 膜の完全性が部分的に損なわれている個々の細胞に生存性を割り当てることは、しばしば曖昧である。 (c)蛍光染料を使用する場合の計測精度を低下させるおそれがあり、 (d)シチューやリアルタイムでは染色ができない。 そこで本研究では,(1) 染色細胞が生細胞と死細胞を識別するのに十分な情報を含んでいること,(2) 染色細胞で訓練したモデルが染色細胞と類似した画像特徴を示すことを示す。 次に,ラベルのない細胞生存分析のためのAI支援ソフトウェアであるViabiLensの開発と検証について報告する。 ViabiLensは、個々の細胞をローカライズする細胞検出モデルと、ライブ/デッド予測のための畳み込みニューラルネットワーク(CNN)分類器を組み合わせる。 幅広い生存条件にまたがる中国のハムスター卵巣(CHO)細胞を評価したところ、ViabiLensは蛍光ベースの基準測定に対して、不安定な試料に対して平均2.68倍の絶対誤差を達成している。 また、ラベルのない細胞生存性分析のためのベンチマークデータセットもリリースしました。

関連論文リスト

• Towards Scalable Context-Aware Single-Cell Spatial Transcriptomics Prediction from Histology Images [50.824193996370106]
  CellOは、画像ごとのフォワードパスを単一の病理基盤モデルで実行するための効率的なエンドツーエンドフレームワークである。 空間バイアスによる局所的形態的コンテキストを用いて各細胞表現を洗練する,距離遅延型クロスアテンションモジュールを提案する。 本研究は,H&E画像からの単一細胞遺伝子発現予測のためのスケーラブルな基盤を確立する。
  論文  参考訳（メタデータ） (2026-09-29T00:40:28Z)
• Towards Label-Free Single-Cell Phenotyping Using Multi-Task Learning [3.846593903209593]
  本稿では,ラベルフリー微分位相コントラスト(DPC)画像からWhite Blood Cell (WBC)分類と連続タンパク質発現レグレッションを共同で行う統合ディープラーニングフレームワークを提案する。 バークレー単細胞顕微鏡(BSCCM)と血液細胞画像ベンチマークの実験は、強い性能を示した。 これらの結果は, ラベルフリー単細胞イメージングによる, 低コストな血液学的プロファイリングの可能性を強調し, 蛍光染色を伴わない同時表現型同定と定量的バイオマーカー推定を可能にした。
  論文  参考訳（メタデータ） (2026-05-14T11:38:56Z)
• 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)
• Automatic Classification of Circulating Blood Cell Clusters based on Multi-channel Flow Cytometry Imaging [7.696386233227689]
  赤血球(RBCs)、白血球(WBCs)、血小板を含む循環血液細胞クラスター(CCCs)は、血栓症、感染、炎症などの病態に関連する重要なバイオマーカーである。 蛍光染色と組み合わせたフローは、これらの細胞クラスターを解析するために一般的に使われ、細胞の形態やタンパク質のプロファイルを明らかにする。 本研究では,CCC画像の解析とクラスタ内のセルタイプ同定のための新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-20T16:32:23Z)
• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• Unsupervised Deep Digital Staining For Microscopic Cell Images Via Knowledge Distillation [46.006296303296544]
  大規模にステンド/アンステンディングされたセルイメージペアを実際に取得することは困難である。 本稿では,セル画像のデジタル染色のための新しい教師なしディープラーニングフレームワークを提案する。 提案手法は, より正確な位置と形状の染色画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2023-03-03T16:26:38Z)
• Distribution-based Sketching of Single-Cell Samples [6.904244323294012]
  我々は,免疫細胞型を基本周波数に保ちながら,すべての細胞のサブサンプルを限定的に選択するカーネル・ハーディングに基づく新規なスケッチ手法を提案する。 我々は3つのフローとマスのデータセットと1つの単一セルRNAシークエンシングデータセットを用いてアプローチを検証した。
  論文  参考訳（メタデータ） (2022-06-30T19:43:06Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)
• Machine learning based lens-free imaging technique for field-portable cytometry [0.0]
  提案手法の精度は98%に向上し,多くの細胞に対して5dB以上の信号が増強された。 モデルは、数回の学習イテレーションで新しいタイプのサンプルを学ぶために適応し、新しく導入されたサンプルをうまく分類することができる。
  論文  参考訳（メタデータ） (2022-03-02T07:09:29Z)
• 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。