Fully Unsupervised Annotation of C. Elegans

要約

この作業では、監視されていないマルチグラフマッチングのための新しいアプローチを提示します。これは、キーポイント機能のガウス分布を想定できる問題に適用されます。
自己教師の学習の損失としてのサイクルの一貫性を活用し、ベイジアンの最適化を通じてガウスパラメーターを決定し、大きなデータセットに拡大する非常に効率的なアプローチをもたらします。
当社の完全に監視されていないアプローチにより、ワームC. elegansの3D顕微鏡画像で細胞核を注釈するというユースケースの最先端の監視方法の精度に到達することができます。
この目的のために、私たちのアプローチは、C。elegansの最初の監視されていないアトラス、つまり、グラウンドトゥルースセルアノテーションを必要とせずに、すべての細胞核の共同分布のモデルを生み出します。
この進歩により、C。elegansの大きな顕微鏡データセットで細胞核の非常に効率的な注釈が可能になります。
C. elegansを超えて、私たちのアプローチは、ステレオタイプ化された細胞系統を持つあらゆるモデル生物の細胞レベルのアトラーゼの完全に監視されていない構造を提供し、したがって、さらなる種の範囲でそれぞれの比較発達研究を触媒する可能性があります。

要約(オリジナル)

In this work we present a novel approach for unsupervised multi-graph matching, which applies to problems for which a Gaussian distribution of keypoint features can be assumed. We leverage cycle consistency as loss for self-supervised learning, and determine Gaussian parameters through Bayesian Optimization, yielding a highly efficient approach that scales to large datasets. Our fully unsupervised approach enables us to reach the accuracy of state-of-the-art supervised methodology for the use case of annotating cell nuclei in 3D microscopy images of the worm C. elegans. To this end, our approach yields the first unsupervised atlas of C. elegans, i.e. a model of the joint distribution of all of its cell nuclei, without the need for any ground truth cell annotation. This advancement enables highly efficient annotation of cell nuclei in large microscopy datasets of C. elegans. Beyond C. elegans, our approach offers fully unsupervised construction of cell-level atlases for any model organism with a stereotyped cell lineage, and thus bears the potential to catalyze respective comparative developmental studies in a range of further species.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google