文献

J-GLOBAL ID：202202269245976277   整理番号：22A0310978

分類ビート回帰:アノテーションフリートレーニングサンプルに基づくグレースケール顕微鏡画像からの細胞の計数【JST・京大機械翻訳】

Classification Beats Regression: Counting of Cells from Greyscale Microscopic Images Based on Annotation-Free Training Samples

著者 (3件)： Ding Xin (Department of Statistics, University of British Columbia, Vancouver, Canada) ,  Zhang Qiong (Department of Statistics, University of British Columbia, Vancouver, Canada) ,  Welch William J. (Department of Statistics, University of British Columbia, Vancouver, Canada)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 13069  ページ： 662-673  発行年： 2022年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 最新の方法は,しばしば,回帰問題として顕微鏡画像からの細胞の計数を定式化し,高価で手動で注釈された訓練画像(例えば,細胞の輪郭を示す細胞またはセグメンテーションマスクの重心を示すドットアノテーション)にますます依存する。本研究では,分類指向畳込みニューラルネットワーク(CNN)に基づく教師付き学習フレームワークを提案し,注釈付き訓練画像を用いて,グレースケール顕微鏡画像から細胞を計数した。このフレームワークにおいて,セル計数タスクを画像分類問題として定式化し,そこではセル数をクラスラベルとして取り上げた。この定式化は,試験段階におけるいくつかの細胞数が訓練データに現れないとき,その限界を持つ。さらに,細胞数間の順序関係は利用されていない。これらの限界に対処するために,著者らは,非セーエンセル数のための画像を合成するための簡単で効果的なデータ増強(DA)法を提案した。また,アンサンブル法を導入し,それは,予測精度を改善するために,非意味セル数の影響を緩和するだけでなく,順序情報を利用した。このフレームワークは,多くの最新の細胞計数法より優れ,カナダの統計学会(SSC)の47番目の年間会議のデータ分析競争を勝っている。著者らのコードは,利用可能である。Copyright Springer Nature Switzerland AG 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： セグメンテーション ,  データ ,  分類 ,  *グレースケール ,  ニューラルネットワーク ,  重心 ,  *画像 ,  教師つき学習 ,  細胞計数 ,  定式化 ,  *アノテーション
準シソーラス用語： 訓練データ ,  画像分類 ,  予測精度 ,  *顕微鏡画像 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (2件)： 無アノテーション細胞計数 ,  顕微鏡画像

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： 分類 ,  ビート ,  グレースケール ,  顕微鏡画像 ,  細胞 ,  計数