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

• Interpretable Embeddings for Segmentation-Free Single-Cell Analysis in Multiplex Imaging [1.8687965482996822]
  多重イメージング(MI)は、複数の生物学的マーカーを、細胞内解像度で別々のイメージングチャネルで同時に可視化することを可能にする。 本稿では,グループ化畳み込みを利用して各画像チャンネルから解釈可能な埋め込み特徴を学習するセグメンテーションフリーなディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-11-02T11:21:33Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• 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)
• 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)
• 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。