論文の概要: From Human Mesenchymal Stromal Cells to Osteosarcoma Cells Classification by Deep Learning

• arxiv url: http://arxiv.org/abs/2008.01864v1
• Date: Tue, 4 Aug 2020 22:23:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 00:50:54.557881
• Title: From Human Mesenchymal Stromal Cells to Osteosarcoma Cells Classification by Deep Learning
• Title（参考訳）: 深層学習によるヒト間葉系幹細胞から骨肉腫細胞分類へ
• Authors: Mario D'Acunto, Massimo Martinelli, Davide Moroni
• Abstract要約: 骨肉腫は, 青年期における悪性骨腫瘍の1つである。 骨肉腫細胞とヒト間葉系間葉系間葉系間葉系間葉系細胞(MSC)を鑑別し,検討中の細胞集団を分類するためにDLアプローチを適用した。
• 参考スコア（独自算出の注目度）: 0.18143184797612422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early diagnosis of cancer often allows for a more vast choice of therapy opportunities. After a cancer diagnosis, staging provides essential information about the extent of disease in the body and the expected response to a particular treatment. The leading importance of classifying cancer patients at the early stage into high or low-risk groups has led many research teams, both from the biomedical and bioinformatics field, to study the application of Deep Learning (DL) methods. The ability of DL to detect critical features from complex datasets is a significant achievement in early diagnosis and cell cancer progression. In this paper, we focus the attention on osteosarcoma. Osteosarcoma is one of the primary malignant bone tumors which usually afflicts people in adolescence. Our contribution to the classification of osteosarcoma cells is made as follows: a DL approach is applied to discriminate human Mesenchymal Stromal Cells (MSCs) from osteosarcoma cells and to classify the different cell populations under investigation. Glass slides of differ-ent cell populations were cultured including MSCs, differentiated in healthy bone cells (osteoblasts) and osteosarcoma cells, both single cell populations or mixed. Images of such samples of isolated cells (single-type of mixed) are recorded with traditional optical microscopy. DL is then applied to identify and classify single cells. Proper data augmentation techniques and cross-fold validation are used to appreciate the capabilities of a convolutional neural network to address the cell detection and classification problem. Based on the results obtained on individual cells, and to the versatility and scalability of our DL approach, the next step will be its application to discriminate and classify healthy or cancer tissues to advance digital pathology.
• Abstract（参考訳）: 早期がんの診断は、しばしば治療の機会をより広く選択することができる。 がん診断の後、ステージングは体内の疾患の程度と特定の治療に対する期待された反応に関する重要な情報を提供する。 早期のがん患者を高リスクまたは低リスクグループに分類することの重要性は, バイオメディカルおよびバイオインフォマティクスの分野から, 深層学習(DL)法の応用研究まで, 多くの研究チームを導いている。 複雑なデータセットから重要な特徴を検出するDLの能力は、早期診断と細胞癌の進行において重要な成果である。 本稿では骨肉腫に焦点をあてる。 骨肉腫は原発性悪性骨腫瘍の1つで、通常は青年期に苦しむ。 ヒト間葉系間質細胞(mscs)を骨肉腫細胞から識別し,調査中の異なる細胞集団を分類するためにdlアプローチを適用した。 健全な骨細胞(骨芽細胞)と骨肉腫細胞(単細胞または混合細胞)で分化したmscを含む異種細胞集団のガラススライドを培養した。 このような単離された細胞の画像(単一型混合)は、伝統的な光学顕微鏡で記録される。 DLは単一細胞の同定と分類に使用される。 細胞検出と分類問題に対処する畳み込みニューラルネットワークの能力を評価するために、適切なデータ拡張技術とクロスフォールド検証が使用される。 個々の細胞で得られた結果と、我々のDLアプローチの汎用性とスケーラビリティに基づいて、次のステップは、健康組織やがん組織を識別・分類し、デジタル病理を進歩させるための応用である。

関連論文リスト

• Holistic and Historical Instance Comparison for Cervical Cell Detection [6.735336269995631]
  本稿では,頚部細胞検出のための総合的,歴史的事例比較手法を提案する。 具体的には、まず、RoIレベルとクラスレベルの細胞識別を併用した総合的な事例比較スキームを開発する。 この粗い細胞間比較は、モデルが前景の区別可能なクラスワイド表現を学習することを奨励する。
  論文  参考訳（メタデータ） (2024-09-21T02:36:19Z)
• 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)
• 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)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• VOLTA: an Environment-Aware Contrastive Cell Representation Learning for Histopathology [0.3436781233454516]
  病理組織像における細胞表現学習のための自己組織化フレームワーク(VOLTA)を提案する。 我々は、世界中の複数の機関から収集されたデータに関する広範な実験にモデルを適用した。 提案フレームワークの有効性を明らかにするため, 卵巣癌および子宮内膜癌にVOLTAを応用した。
  論文  参考訳（メタデータ） (2023-03-08T16:35:47Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
  病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。 がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。 本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-09-27T14:08:19Z)
• Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
  胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。 本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
  論文  参考訳（メタデータ） (2022-02-17T08:33:52Z)
• Histogram of Cell Types: Deep Learning for Automated Bone Marrow Cytology [3.8385120184415418]
  細胞型ヒストグラム(HCT)は骨髄のクラス分布の新規な表現である。 HCTは、血液病理診断に革命をもたらす可能性があり、よりコスト効率が高く、正確な診断をもたらし、正確な医療を行うための扉を開く。
  論文  参考訳（メタデータ） (2021-07-05T21:55:00Z)
• Hierarchical Phenotyping and Graph Modeling of Spatial Architecture in Lymphoid Neoplasms [7.229065627904531]
  この研究は、セルコンポーネントのオーケストレーションと相互作用をプロファイリングするための、ローカルグラフとグローバルグラフをハイブリッドする最初の試みの一つである。 提案アルゴリズムは,繰り返し5倍のクロスバリデーション方式を用いて0.703の平均診断精度を実現する。
  論文  参考訳（メタデータ） (2021-06-30T16:09:32Z)
• Cell abundance aware deep learning for cell detection on highly imbalanced pathological data [0.0]
  デジタル病理学では、少ない細胞型は生物学的に重要である。 モデルトレーニング中の細胞型の豊富さを考慮した深層学習パイプラインを提案しました。 その結果,細胞量による深層学習損失関数のスケールアップは細胞検出性能を向上させることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T13:07:52Z)

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。