使用深度贝叶斯回归密度图进行不确定性感知细胞检测的概率空间分析在定量显微镜中

Feb, 2021

使用深度贝叶斯回归密度图进行不确定性感知细胞检测的概率空间分析在定量显微镜中

Probabilistic Spatial Analysis in Quantitative Microscopy with Uncertainty-Aware Cell Detection using Deep Bayesian Regression of Density Maps

PDF

Alvaro Gomariz, Tiziano Portenier, César Nombela-Arrieta, Orcun Goksel

TL;DR本文提出了一种基于深度学习的细胞检测方法，通过使用贝叶斯方法来构建具有不确定性的密度图，并学习映射到概率空间的方法，实现了对大型显微镜图像的检测和精确定位。同时，还介绍了一种蒙特卡罗抽样的概率空间分析，可用于测试生物学假设的空间分布，并发现了原来无法检测到的空间模式。

Abstract

3d microscopy is key in the investigation of diverse biological systems, and the ever increasing availability of large datasets demands automatic cell identification methods that not only are accurate, but also can imply the uncertainty in their predictions to inform about potential er

3d microscopy cell detection deep learning bayesian techniques probabilistic analysis

发现论文，激发创造

使用点标注技术的细胞端到端识别

本文介绍了一种基于点的细胞检测和分类框架，该框架采用了直接回归和分类方法，并采用金字塔式特征聚合策略同步处理底层特征和高层语义。实验结果表明，该方法在在免疫组织化学图像的分析中有着较高的准确性和效率，并具有较高的协助病理学家评估的潜力。

Jul, 2022

根据生物需求的细胞跟踪 - 带有随机有限集和伴随不确定性的强有力有且仅有有且仅有几种受精的跟踪器

细胞追踪和分割是从大规模显微镜时间序列数据中提取洞见所必需的。本文引入了一种不确定性估计技术，将其整合到我们的新颖的扩展 Poisson 多伯努利混合追踪器中，以解决当前追踪方法长期一致性不足的问题。我们的方法在九个竞争数据集上评估，证明在生物相关指标上表现优于当前的最新技术，并实现了约 5.75 倍的改进。此外，我们还揭示了关于追踪 - by-regression 不确定性行为的新见解。

Mar, 2024

基于概率的深度学习实例分割

本文提出了一种泛用方法来获得无需提议的实例分割模型内在的不确定性估计，并且评估了在 BBBC010 C. elegans 数据集上的可行性和有效性，并模拟了这些不确定性估计在指导的校对中的潜在用途。

Aug, 2020

使用空间上下文表示进行多类细胞检测

本文介绍了一种新方法在数字病理学中自动检测和分类不同类型的细胞，包括肿瘤细胞，淋巴细胞或基质细胞，该方法通过使用空间统计功能来描述局部密度和深度聚类技术来学习高级细胞表征，特别关注空间上下文，该方法在不同的基准测试中表现出更好的性能，尤其是在分类任务上，在乳腺癌细胞检测和分类新数据集上进行了验证，并让代码和数据公开可用。

Oct, 2021

细胞在细菌生物膜的稠密三维显微视频中的深度时间序列分类与数学建模

本研究提出了一种名为 DenseTrack 的新型细胞跟踪算法，它将深度学习与基于数学模型的策略相结合，以在拥挤场景中有效建立连续帧之间的对应关系和检测细胞分裂事件。通过将细胞跟踪问题制定为基于深度学习的时间序列分类任务，然后通过解决约束的一对一匹配优化问题来利用分类器的置信度得分。此外，还提出了一种基于特征分解的细胞分裂检测策略，利用细胞几何知识。该方法在细菌生物膜发展的三维时间序列图像中跟踪密集堆积的细胞，并经过了模拟和实验荧光图像序列的实验证明，与最近的最先进细胞跟踪方法相比，所提出的跟踪方法在定性和定量评估指标上具有更优越的性能。

Jun, 2024

深度概率成像：计算成像的不确定性量化与多模态解决方案表征

该研究提出了一种利用未经训练的深度生成模型估计未观察图像的后验分布的方法，从而量化重建不确定性。这种方法不需要训练数据，而是优化神经网络的权重以生成适合特定测量数据集的图像样本，通过这种方法，在干涉射电成像和压缩感知磁共振成像等领域得出了实证结果。

Oct, 2020

射电干涉成像中的不确定性量化：II. 最大后验估计

利用稀疏先验的贝叶斯推断和基于凸优化的 MAP 点估计方法，利用概率浓度理论量化后处理的 MAP 估计量来提高无线电干涉成像的不确定性，为实际数据量和实际使用提供了一种扩展至大数据时代的无线电干涉成像的不确定性分析方法。

Nov, 2017

利用不确定性评估预测分割质量

本文旨在将最近关于评估不确定性的结果应用于基于深度学习的医学分割中的两个重要输出：产生空间不确定性映射，以便临床医生可以观察系统何时以及为何错误，以及量化图像级别的失败预测，并展示关于空间不确定性的推理是产生分割质量预测的有用中间表示。提出了一个两阶段的架构来生成这些不确定性测量，可以适应任何基于深度学习的医学分割管道。

Jul, 2018

基于人工智能的超分辨显微镜分析：在缺乏基准数据的情况下进行生物发现

本研究介绍了弱监督学习方法在超分辨显微镜技术中的应用，探讨了其加速探索亚细胞大分子和细胞器分子结构的潜力。

May, 2023

贝叶斯成像方法报告可信的概率吗？

这篇文章利用蒙特卡罗方法研究了现有的贝叶斯成像方法在重复实验中的概率结果是否具有可靠性，在探索了五种典型的贝叶斯成像策略后发现，现有方法通常不能提供可靠的不确定性量化结果。

May, 2024