論文の概要: SoRC -- Evaluation of Computational Molecular Co-Localization Analysis in Mass Spectrometry Images

• arxiv url: http://arxiv.org/abs/2009.14677v1
• Date: Thu, 24 Sep 2020 10:24:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 05:24:34.345468
• Title: SoRC -- Evaluation of Computational Molecular Co-Localization Analysis in Mass Spectrometry Images
• Title（参考訳）: SoRC -- 質量分析画像における計算分子コローカライズ解析の評価
• Authors: Karsten W\"ullems, Tim W. Nattkemper
• Abstract要約: 本稿では、このチューニングステップを自動化するために、SoRC(ランキングクラスタインデックスの仮定)と呼ばれるフレキシブルなワークフロースキームを提案する。 応用例では、3つのデータセットに対するSORC結果から、(a)高次不規則性改善結果を含むMSIデータに対して、(b)よく知られた類似関数が3つのデータセットすべてに対して良い結果を得るのに適していることが分かる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The computational analysis of Mass Spectrometry Imaging (MSI) data aims at the identification of interesting mass co-localizations and the visualization of their lateral distribution in the sample, usually a tissue cross section. But as the morphological structure of tissues and the different kinds of mass co-localization naturally show a huge diversity, the selection and tuning of the computational method is a time-consuming effort. In this work we address the special problem of computationally grouping mass channel images according to their similarities in their lateral distribution patterns. Such an analysis is driven by the idea, that groups of molecules that feature a similar distribution pattern may have a functional relation. But the selection of the similarity function and other parameters is often done by a time-consuming and unsatsifactory trial and error. We propose a new flexible workflow scheme called SoRC (sum of ranked cluster indices) for automating this tuning step and making it much more efficient. We test SoRC using three different data sets acquired from the lab for three different kinds of samples (barley seed, mouse bladder tissue, human PXE skin). We show, that SORC can be applied to score and visualize the results obtained with the applied methods in short time without too much effort. In our application example, the SoRC results for the three data sets reveal that a) some well-known similarity functions are suited to achieve good results for all three data sets and b) for the MSI data featuring a higher degree of irregularity improved results can be achieved by applying non-standard similarity functions. The SoRC scores computed with our approach indicate that an automated testing and scoring of different methods for mass channel image grouping can improve the final outcome of a study by finally selecting the methods of the highest scores.
• Abstract（参考訳）: 質量分析イメージング(msi)データの計算解析は、興味深い質量共局在の同定と、サンプル(通常、組織断面積)におけるその横分布の可視化を目的としている。 しかし、組織の形態構造や質量共局在の異なる種類は自然に大きな多様性を示しており、計算方法の選択と調整は時間を要する作業である。 本研究では,マスチャネル画像の側面分布パターンの類似性に応じて計算的にグループ化する特別問題に対処する。 このような分析は、同様の分布パターンを持つ分子群が機能的関係を持つという考えによって行われる。 しかし、類似度関数と他のパラメータの選択は、しばしば時間がかかり、不十分な試行錯誤によって行われる。 我々は、このチューニングステップを自動化し、より効率的にするためのSoRC(ランキングクラスタインデックスの仮定)と呼ばれる新しい柔軟なワークフロースキームを提案する。 実験室から取得した3種類のサンプル(大麦種,マウス膀胱組織,ヒトPXE皮膚)を用いてSoRCを試験した。 そこで本研究では,SORCを用いて短時間で得られた結果のスコアと視覚化を行うことができることを示す。 アプリケーションの例では、3つのデータセットのSORC結果から分かる。 a) 良く知られた類似関数は、3つのデータセットすべてに対して良い結果を得るために適合し、 b) 非標準類似度関数を適用することにより、高次不規則性改善結果を有するMSIデータに対して達成できる。 提案手法により算出されたsorcスコアは,マスチャネル画像グループ化のための異なる手法の自動テストとスコア付けにより,最終的に最高スコアの手法を選択することにより,研究の最終結果が向上することを示す。

関連論文リスト

• Conditional Generative Models are Sufficient to Sample from Any Causal Effect Estimand [9.460857822923842]
  観測データからの因果推論は、信頼できる機械学習における多くの応用において重要な役割を果たす。 任意の因果グラフを与えられた任意の介入分布からサンプリングする方法を示す。 またテキストと画像変数を含むMIMIC-CXRデータセットから高次元干渉サンプルを生成する。
  論文  参考訳（メタデータ） (2024-02-12T05:48:31Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Fast conformational clustering of extensive molecular dynamics simulation data [19.444636864515726]
  本稿では,長い軌道の高速なコンフォーメーションクラスタリングを実現するために,教師なしのデータ処理ワークフローを提案する。 我々は密度に基づく空間クラスタリングアルゴリズム(HDBSCAN)と2つの次元削減アルゴリズム(cc_analysisとEncodermap)を組み合わせる。 4つのテストシステムの助けを借りて、このクラスタリングワークフローの機能とパフォーマンスを説明します。
  論文  参考訳（メタデータ） (2023-01-11T14:36:43Z)
• A Segmentation Method for fluorescence images without a machine learning approach [0.0]
  本研究では,細胞と核を同定するための決定論的計算神経科学アプローチについて述べる。 この方法は、正式に正しい関数に基づいて堅牢であり、特定のデータセットのチューニングに支障を来さない。
  論文  参考訳（メタデータ） (2022-12-28T16:47:05Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。