論文の概要: Detection of extremely rare dead cells in fluorescence microscopy images

• arxiv url: http://arxiv.org/abs/2610.13780v1
• Date: Fri, 09 Oct 2026 16:01:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.662491
• Title: Detection of extremely rare dead cells in fluorescence microscopy images
• Title（参考訳）: 蛍光顕微鏡画像における極めて稀な死細胞の検出
• Abstract要約: そこで本研究では, 核安定試料中の細胞を定義するためのいくつかの計算手法の比較を行った。 65,527の画像を含む画像のデータセットを用いて,PR-VM,F1スコア,マクロF1などの特徴量を評価する。 以上の結果から,画像特徴(深層学習)と数値特徴(深層学習)を用いた分類が最高の性能を示した。
• 参考スコア（独自算出の注目度）: 23.079165169472816
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dead cell detection in fluorescence microscopy is essential for phenotypic screening and drug efficacy assessment. However, automated identification remains challenging due to signal variability, optical artifacts, and colocalization ambiguities across multiple channels. Markers that define nuclear boundaries do not neatly coincide spatially or temporally with apoptotic markers. Furthermore, marker accumulation kinetics vary across individual cells and apoptosis stages, making universal thresholds unreliable. We present a systematic comparison of several computational approaches for detecting apoptotic cells in nucleus-stained specimens: (1) heuristic methods using intensity thresholds, distributions, correlations, and domain guidance; (2) classification using numerical features (Logistic Regression, Random Forest, XGBoost and LightGBM) and image features (ResNet-18 and EfficientNet-B0); and (3) anomaly detection, also using numerical features (Isolation Forest, one-class SVM and PCA reconstruction) and image features (convolutional autoencoders and Deep SVDD). Using a dataset of 258 images containing 65,527 cells/nuclei across multiple scenes with 243 manually annotated ground truth dead cells, we evaluate each method on metrics such as PR-AUC, Precision, Recall, F1-score, and macro-F1. Our results indicate that classification using image features (deep learning) and numerical features (traditional) achieved the best performance, with ResNet-18 and XGBoost significantly outperforming manually designed heuristics and anomaly detection methods. Our findings demonstrate that such biomedical problems remain highly challenging to solve even with the state-of-the-art computational and learning techniques. We aim to provide an effective decision-support tool to researchers while tackling such problems either fully-automatically or in a human-in-the-loop setting as an aide to domain scientists.
• Abstract（参考訳）: 蛍光顕微鏡における死細胞検出は、表現型スクリーニングと薬物効用評価に不可欠である。 しかし、信号の可変性、光学的アーティファクト、複数のチャネルにわたるコローカライゼーションの曖昧さのため、自動識別は依然として困難である。 核境界を定義するマーカーは、空間的にも時間的にも、アポトーシスマーカーと適切に一致しない。 さらに、マーカー蓄積の動態は個々の細胞やアポトーシスの段階によって異なり、普遍的なしきい値が信頼できない。 1) 強度閾値,分布,相関,ドメインガイダンスを用いたヒューリスティック手法,(2) 数値的特徴(ロジスティック回帰,ランダムフォレスト,XGBoost,LightGBM)と画像的特徴(ResNet-18,EfficientNet-B0)を用いた分類,(3) 数値的特徴(アイソレーションフォレスト,ワンクラスSVM,PCA再構成)と画像的特徴(畳み込みオートエンコーダ,ディープSVDD)を用いた異常検出。 複数シーンに65,527個の細胞/核を含む258枚の画像と243個の手動アノテートされた地中真性死細胞を用いて,PR-AUC,Precision,Recall,F1-score,マクロF1などの指標を用いて各手法の評価を行った。 以上の結果から,画像特徴(深層学習)と数値特徴(従来)を用いた分類は,ResNet-18とXGBoostが手作業で設計したヒューリスティックスや異常検出法よりも優れていたことが示唆された。 本研究は,最先端の計算・学習技術を用いても,このようなバイオメディカルな問題を解くことは極めて困難であることを示すものである。 我々は,ドメイン科学者の側近として,完全自動もしくはループ内設定でそのような問題に対処しながら,研究者に効果的な意思決定支援ツールを提供することを目標としている。

関連論文リスト

• High-Throughput Low-Cost Segmentation of Brightfield Microscopy Live Cell Images [3.175346985850522]
  本研究は,光電場顕微鏡で観察した無残な生細胞のセグメンテーションに焦点を当てた。 冷凍エンコーダの比較分析を取り入れた低コストCNNパイプラインを開発した。 このモデルは、多様な生きた細胞変異を特徴とする公開データセットで検証された。
  論文  参考訳（メタデータ） (2025-08-17T22:05:58Z)
• CAF-YOLO: A Robust Framework for Multi-Scale Lesion Detection in Biomedical Imagery [0.0682074616451595]
  CAF-YOLOは、畳み込みニューラルネットワーク(CNN)とトランスフォーマーの強みを活用する、医学的対象検出のための、巧妙で堅牢な方法である。 ACFMモジュールはグローバル機能とローカル機能の両方のモデリングを強化し、長期的な機能依存のキャプチャを可能にする。 MSNNは多様なスケールにまたがる特徴を抽出することで、マルチスケールの情報集約を改善する。
  論文  参考訳（メタデータ） (2024-08-04T01:44:44Z)
• Mew: Multiplexed Immunofluorescence Image Analysis through an Efficient Multiplex Network [84.88767228835928]
  マルチプレックスネットワークのレンズを通してmIF画像を効率的に処理する新しいフレームワークであるMewを紹介する。 Mew は、幾何学情報のための Voronoi ネットワークと、セルワイドの均一性を捉えるセル型ネットワークという、2つの異なる層からなる多重ネットワークを革新的に構築する。 このフレームワークは、トレーニング中にグラフ全体を処理できるスケーラブルで効率的なグラフニューラルネットワーク(GNN)を備えている。
  論文  参考訳（メタデータ） (2024-07-25T08:22:30Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• 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)
• A Segmentation Method for fluorescence images without a machine learning approach [0.0]
  本研究では,細胞と核を同定するための決定論的計算神経科学アプローチについて述べる。 この方法は、正式に正しい関数に基づいて堅牢であり、特定のデータセットのチューニングに支障を来さない。
  論文  参考訳（メタデータ） (2022-12-28T16:47:05Z)
• 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)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Increasing a microscope's effective field of view via overlapped imaging and machine learning [4.23935174235373]
  この研究は、高効率自動検体分析のために単一のセンサー上で複数の独立した視野を重畳するマルチレンズ顕微鏡イメージングシステムを示す。
  論文  参考訳（メタデータ） (2021-10-10T22:52:36Z)

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。