抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】