論文の概要: Automated Phenotyping via Cell Auto Training (CAT) on the Cell DIVE
Platform
- arxiv url: http://arxiv.org/abs/2007.09471v1
- Date: Sat, 18 Jul 2020 16:45:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 06:12:53.669409
- Title: Automated Phenotyping via Cell Auto Training (CAT) on the Cell DIVE
Platform
- Title(参考訳): 細胞DIVEプラットフォームを用いた細胞自動訓練(CAT)による自動フェノタイピング
- Authors: Alberto Santamaria-Pang, Anup Sood, Dan Meyer, Aritra Chowdhury, Fiona
Ginty
- Abstract要約: 多重蛍光画像を用いた自動トレーニングセットを用いて, 組織試料中の細胞の自動分類法を提案する。
本発明の方法は、ロバストなハイパープレックス免疫蛍光プラットフォーム上の1つの組織部位に、その場で染色された複数のマーカーを利用する。
- 参考スコア(独自算出の注目度): 0.5599792629509229
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a method for automatic cell classification in tissue samples using
an automated training set from multiplexed immunofluorescence images. The
method utilizes multiple markers stained in situ on a single tissue section on
a robust hyperplex immunofluorescence platform (Cell DIVE, GE Healthcare) that
provides multi-channel images allowing analysis at single cell/sub-cellular
levels. The cell classification method consists of two steps: first, an
automated training set from every image is generated using marker-to-cell
staining information. This mimics how a pathologist would select samples from a
very large cohort at the image level. In the second step, a probability model
is inferred from the automated training set. The probabilistic model captures
staining patterns in mutually exclusive cell types and builds a single
probability model for the data cohort. We have evaluated the proposed approach
to classify: i) immune cells in cancer and ii) brain cells in neurological
degenerative diseased tissue with average accuracies above 95%.
- Abstract(参考訳): 多重蛍光画像を用いた自動トレーニングセットを用いて, 組織試料中の細胞の自動分類法を提案する。
本発明の方法は、単一の細胞/サブ細胞レベルで解析可能な多チャンネル画像を提供する頑健な超複雑免疫蛍光プラットフォーム(Cell DIVE, GE Healthcare)上の単一の組織部位に染色された複数のマーカーを利用する。
まず、マーカーからセルへの染色情報を用いて、各画像から自動トレーニングセットを生成する。
これは、病理学者が画像レベルで非常に大きなコホートからサンプルを選択する方法を模倣する。
第2のステップでは、自動トレーニングセットから確率モデルを推測する。
確率モデルは、相互排他的セルタイプにおける染色パターンをキャプチャし、データコホートに対して単一の確率モデルを構築する。
我々は,提案された分類手法を評価した。
一 がんにおける免疫細胞及び免疫細胞
二 平均的なアキュラシーが95%を超える神経疾患組織における脳細胞
関連論文リスト
- UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳(メタデータ) (2023-11-28T09:14:55Z) - Multi-stream Cell Segmentation with Low-level Cues for Multi-modality
Images [66.79688768141814]
我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。
次に、分類ラベルに基づいて分類モデルを訓練する。
2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
論文 参考訳(メタデータ) (2023-10-22T08:11:08Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-11-14T18:16:36Z) - Distribution-based Sketching of Single-Cell Samples [6.904244323294012]
我々は,免疫細胞型を基本周波数に保ちながら,すべての細胞のサブサンプルを限定的に選択するカーネル・ハーディングに基づく新規なスケッチ手法を提案する。
我々は3つのフローとマスのデータセットと1つの単一セルRNAシークエンシングデータセットを用いてアプローチを検証した。
論文 参考訳(メタデータ) (2022-06-30T19:43:06Z) - Machine learning based lens-free imaging technique for field-portable
cytometry [0.0]
提案手法の精度は98%に向上し,多くの細胞に対して5dB以上の信号が増強された。
モデルは、数回の学習イテレーションで新しいタイプのサンプルを学ぶために適応し、新しく導入されたサンプルをうまく分類することができる。
論文 参考訳(メタデータ) (2022-03-02T07:09:29Z) - Interpretable Single-Cell Set Classification with Kernel Mean Embeddings [14.686560033030101]
Kernel Mean Embeddingは、各プロファイルされた生物学的サンプルの細胞景観をエンコードする。
簡単な線形分類器を訓練し、3つのフローおよび質量データセットの最先端の分類精度を実現する。
論文 参考訳(メタデータ) (2022-01-18T21:40:36Z) - Single Test Image-Based Automated Machine Learning System for
Distinguishing between Trait and Diseased Blood Samples [2.867517731896504]
そこで我々は, 携帯型顕微鏡の画質不良画像の病原細胞疾患の完全自動診断のための機械学習手法を提案する。
本手法は, 異常検体と異常検体のみを区別することに限定された従来の方法と異なり, 病型, 形質(キャリア), 正常検体とを区別することができる。
論文 参考訳(メタデータ) (2021-03-30T12:29:50Z) - A Multi-Scale Conditional Deep Model for Tumor Cell Ratio Counting [4.164451715899639]
組織スライド全体の腫瘍細胞の比率を正確に把握する手法を提案する。
我々は、H&E染色組織断面の画像上で細胞を検出し分類するために訓練された、完全な畳み込みニューラルネットワークモデルを使用する。
2つのモデルを組み合わせることで、それぞれ異なる倍率で作業することで、システムはセルレベルの詳細と周囲のコンテキストの両方をキャプチャできることを示す。
論文 参考訳(メタデータ) (2021-01-27T22:40:33Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。