文献

J-GLOBAL ID：202102264377958035   整理番号：21A1718229

生態学および進化生物学におけるコンピュータビジョン,機械学習およびフェノミクスの約束【JST・京大機械翻訳】

Computer Vision, Machine Learning, and the Promise of Phenomics in Ecology and Evolutionary Biology

著者 (6件)： Luerig Moritz D. (Department of Biology, Lund University, Lund, Sweden) ,  Donoughe Seth (Department of Molecular Genetics and Cell Biology, University of Chicago, Chicago, IL, United States) ,  Svensson Erik I. (Department of Biology, Lund University, Lund, Sweden) ,  Porto Arthur (Department of Biological Sciences, Louisiana State University, Baton Rouge, LA, United States) ,  Porto Arthur (Center for Computation and Technology, Louisiana State University, Baton Rouge, LA, United States) ,  Tsuboi Masahito (Department of Biology, Lund University, Lund, Sweden)
資料名： Frontiers in Ecology and Evolution (Web)  (Frontiers in Ecology and Evolution (Web))
巻： 9  ページ： 642774  発行年： 2021年 
JST資料番号： U7067A  ISSN： 2296-701X  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 何世紀もの間,生態学者と進化生物学者は,生活の形状とパターンを記録し,定量化するために,描画,絵画と写真のような画像を使用した。ディジタルイメージングの出現により,生物学者は絶えず増加する速度で画像データを収集し続けている。この膨大なデータは,表現型多様性,個体群動態,発散と適応の機序,および進化的変化を含む広範囲の生物学的現象への洞察を提供する。しかし,画像取得の速度は,画像から意味のある情報を手動で抽出する能力を頻繁に排除する。さらに,手動画像解析は,低スループットであり,再現するのが困難であり,典型的には,時間において少数の形質だけを測定する。これは,フェノミクスの成長分野への障害であると証明され,多くの表現型次元の研究が一緒に行われている。コンピュータビジョン(CV),ディジタル画像からの情報の自動化抽出と処理は,この長年の分析ボトルネックを軽減する機会を提供する。本レビューでは,生態学的および進化的研究におけるフェノミックデータを収集するための効率的で包括的な方法としてCVの能力を説明した。第1に,著者らは,生態学者と進化生物学者が,写真を撮影し,CVを用いてそれらを分析することにより,フェノミクスレベルデータを効果的に捉えることができることを,簡潔にレビューする。次に,画像ベースデータの主要なタイプを記述し,それらを抽出するためのCVアプローチ(機械学習とそうではない技術を含む)を概観し,最も一般的なハードルと落とし穴を同定した。最後に,著者らは,表現型の研究におけるCVの最近の成功した実用化と有望な将来の応用を強調する。CVが生物学者のツールキットの基本的構成要素になるという予想において,著者らのレビューは,ディジタル画像から表現型情報を抽出することに興味を持つ生態学者と進化生物学者のためのエントリーポイントとして意図された。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 自動化 ,  表現型 ,  画像処理 ,  スループット ,  *生態学 ,  画像分析 ,  ディジタル画像 ,  *コンピュータビジョン ,  ポピュレーションダイナミックス ,  *機械学習
準シソーラス用語： 画像入力 ,  ツールキット ,  *進化学 , 【Automatic Indexing@JST】

著者キーワード (8件)： コンピュータビジョン ,  機械学習 ,  フェノミクス ,  ハイスループット表現型解析 ,  高次元データ ,  画像解析 ,  画像セグメンテーション ,  測定理論

分類 (4件)： 医用画像処理  (JE04020T) ,  図形・画像処理一般  (JE04010I) ,  進化論一般  (EC03010Q) ,  生態学一般  (EE01010I)

引用文献 (135件)：

• Alom M. Z., Taha T. M., Yakopcic C., Westberg S., Sidike P., Nasrin M. S., et al (2018). The history began from AlexNet: a comprehensive survey on deep learning approaches. arXiv [cs.CV]. [Preprint]. arXiv:1803.01164.
• Bateson A., Curtiss B. (1996). A method for manual endmember selection and spectral unmixing. Remote Sens. Environ. 55 229-243. doi: 10.1016/S0034-4257(95)00177-8
• Bauer E., Kohavi R. (1999). An empirical comparison of voting classification algorithms: bagging, boosting, and variants. Mach. Learn. 36 105-139. doi: 10.1023/A:1007515423169
• Bertin E., Marcelpoil R., Chassery J.-M. (1992). “"Morphological algorithms based on Voronoi and Delaunay graphs: microscopic and medical applications,"” in Proceedings of the Image Algebra and Morphological Image Processing III, (Bellingham, WA: International Society for Optics and Photonics) 356-367. doi: 10.1117/12.60655
• Beucher S. (1979). “"Use of watersheds in contour detection,"” in Proceedings of the International Workshop on Image. Available online at: https://ci.nii.ac.jp/naid/10008961959/ doi: 10.1117/12.60655

タイトルに関連する用語 (5件)： 生態 ,  進化生物学 ,  コンピュータビジョン ,  機械学習 ,  フェノミクス