SymBac:深層ニューラルネットワークを用いた細菌細胞の正確なセグメンテーションのための合成マイクログラフ【JST・京大機械翻訳】

Hardo, G.; Noka, M.; Bakshi, S.

プレプリント

J-GLOBAL ID：202202210187636727 整理番号：21P0261395

SymBac:深層ニューラルネットワークを用いた細菌細胞の正確なセグメンテーションのための合成マイクログラフ【JST・京大機械翻訳】

SyMBac: Synthetic Micrographs for Accurate Segmentation of Bacterial Cells using Deep Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年05月27日プレプリントサーバーでの情報更新日： 2022年05月27日
JST資料番号： O7001B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

細菌(SyMBac)の合成顕微鏡写真で訓練された機械学習モデルを用いた細菌画像セグメンテーションの新しい方法を示した。SyMBacは,実際の顕微鏡写真に密接に似ている合成画像を作成するために,細胞増殖,物理的相互作用,および顕微鏡光学の詳細なモデルを組み合わせて,任意の量の訓練データの迅速な自動生成を可能にするツールである。著者らのアプローチの主な利点は;1)合成訓練データは,実質的に即座に発生でき,需要;2)これらの合成画像は,細胞の完全なグランドトルース位置を伴い,データキュレーションを必要としない。3)異なる生物学的条件,イメージングプラットフォーム,およびイメージング様式を,迅速にシミュレートすることができ,それらの実験セットアップにおけるいかなる変化も,各変化のための新しい訓練データを手動で作成する必要のあるプロセスを必要としなかった。著者らのベンチマーク結果は,SyMBacデータ上で訓練されたモデルが,画像アーチファクトに関係なく,モデルの真の位置を学習するので,人間の注釈付きデータ上で訓練されたものより,より正確で精密なセルマスクを生成することを実証した。SyMBacデータで訓練された機械学習モデルは,様々なイメージングプラットフォームからのデータを分析でき,細胞サイズと形態の劇的な変化にロバストである。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

図形・画像処理一般 , 医用画像処理

, , ,

前のページに戻る