論文の概要: Synplex: A synthetic simulator of highly multiplexed histological images
- arxiv url: http://arxiv.org/abs/2103.04617v1
- Date: Mon, 8 Mar 2021 09:12:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 20:26:32.969346
- Title: Synplex: A synthetic simulator of highly multiplexed histological images
- Title（参考訳）: シンプレックス:高度に多重化された組織像の合成シミュレータ
- Authors: Daniel Jim\'enez-S\'anchez, Mikel Ariz, Carlos Ortiz-de-Sol\'orzano
- Abstract要約: 本稿では,免疫染色組織画像の多重化が可能なシミュレーションシステムであるsynplexを提案する。
Synplex は 3 つのシーケンシャルモジュールで構成され、それぞれが別々のタスクを担当します。
マルチプレックス画像解析アルゴリズムのトレーニングおよび/または検証に有用なツールになると考えています。
- 参考スコア（独自算出の注目度）: 2.816013261482056
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiplex tissue immunostaining is a technology of growing relevance as it
can capture in situ the complex interactions existing between the elements of
the tumor microenvironment. The existence and availability of large, annotated
image datasets is key for the objective development and benchmarking of
bioimage analysis algorithms. Manual annotation of multiplex images, is
however, laborious, often impracticable. In this paper, we present Synplex, a
simulation system able to generate multiplex immunostained in situ tissue
images based on user-defined parameters. This includes the specification of
structural attributes, such as the number of cell phenotypes, the number and
level of expression of cellular markers, or the cell morphology. Synplex
consists of three sequential modules, each being responsible for a separate
task: modeling of cellular neighborhoods, modeling of cell phenotypes, and
synthesis of realistic cell/tissue textures. Synplex flexibility and accuracy
are demonstrated qualitatively and quantitatively by generating synthetic
tissues that simulate disease paradigms found in the real scenarios. Synplex is
publicly available for scientific purposes, and we believe it will become a
valuable tool for the training and/or validation of multiplex image analysis
algorithms.
- Abstract（参考訳）: 多重組織免疫染色は、腫瘍微小環境の要素間の複雑な相互作用をその場で捉えることができるため、関連性を高める技術である。
大規模な注釈付き画像データセットの存在と利用可能性は、バイオ画像解析アルゴリズムの客観的開発とベンチマークの鍵となる。
しかし、多重画像のマニュアルアノテーションは困難であり、しばしば実行不可能である。
本稿では,ユーザ定義パラメータに基づいてマルチプレックス免疫染色組織画像を生成するためのシミュレーションシステムであるsynplexを提案する。
これには、細胞の表現型の数、細胞マーカーの発現の数とレベル、または細胞形態などの構造属性の指定が含まれます。
シンプレックスは3つのシーケンシャルモジュールで構成され、それぞれが細胞近傍のモデリング、細胞表現型のモデリング、現実的な細胞/細胞のテクスチャの合成である。
複合柔軟性と精度は、実際のシナリオで見つかった疾患パラダイムをシミュレートする合成組織を生成することによって、定性的かつ定量的に実証される。
Synplexは科学的な目的で公開されており、マルチプレックス画像解析アルゴリズムのトレーニングや検証に有用なツールになるだろうと考えています。
関連論文リスト
- Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - Less is More: Unsupervised Mask-guided Annotated CT Image Synthesis with
Minimum Manual Segmentations [2.1785903900600316]
医用画像合成のための新しい手法,すなわちunsupervised Mask (UM)-guided synthesisを提案する。
UM誘導合成は、忠実度、多様性、有用性が著しく高い高品質な合成画像を提供する。
論文 参考訳（メタデータ） (2023-03-19T20:30:35Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - Between Generating Noise and Generating Images: Noise in the Correct
Frequency Improves the Quality of Synthetic Histopathology Images for Digital
Pathology [0.0]
合成画像は、既存のデータセットを拡張し、AIアルゴリズムを改善し、検証する。
意味マスクに適切な空間周波数でランダムな単一画素ノイズを導入することで,合成画像の品質が劇的に向上することを示す。
我々の研究は、制限のないデータセットに対する需要に基づいて合成データを生成するためのシンプルで強力なアプローチを示唆している。
論文 参考訳（メタデータ） (2023-02-13T17:49:24Z) - DEPAS: De-novo Pathology Semantic Masks using a Generative Model [0.0]
DEPASと呼ばれるスケーラブルな生成モデルを導入し、組織構造をキャプチャし、最先端の品質の高精細なセマンティックマスクを生成する。
我々は,DEPASが皮膚,前立腺,肺の3種類の臓器に対して,組織の現実的な意味マップを生成する能力を示した。
論文 参考訳（メタデータ） (2023-02-13T16:48:33Z) - SynCLay: Interactive Synthesis of Histology Images from Bespoke Cellular
Layouts [0.5249805590164901]
我々は,現実的で高品質な組織像を構築できるSynCLayという新しいフレームワークを提案する。
我々は、SynCLayを対角的に訓練し、核分割と分類モデルを統合する。
本研究では,本フレームワークによって生成された合成データを用いて,限られた実データを増やすことで,細胞組成予測タスクの予測性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2022-12-28T11:07:00Z) - SYNTA: A novel approach for deep learning-based image analysis in muscle
histopathology using photo-realistic synthetic data [2.1616289178832666]
我々は,合成,フォトリアリスティック,高度に複雑なバイオメディカルイメージをトレーニングデータとして生成するための新しいアプローチとして,Synta(synthetic data)を紹介した。
手動のアノテーションを必要とせずに、以前に見つからなかった実世界のデータに対して、堅牢で専門家レベルのセグメンテーションタスクを実行することが可能であることを実証した。
論文 参考訳（メタデータ） (2022-07-29T12:50:32Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳（メタデータ） (2022-05-24T00:00:07Z) - SynopSet: Multiscale Visual Abstraction Set for Explanatory Analysis of
DNA Nanotechnology Simulations [60.05887213349294]
DNAナノテクノロジー領域における分子動力学シミュレーション(MDS)の説明的解析のための視覚表現の連続性を持つ新しい抽象集合(SynopSet)を提案する。
この集合はまた、すべての空間的および時間的詳細と全ての構造的複雑さを示すことができるように設計されている。
我々の表現の集合は、SynopSpaceと呼ばれる可視化空間に体系的に配置できることを示してきた。
論文 参考訳（メタデータ） (2022-04-18T06:53:52Z) - Multimodal Face Synthesis from Visual Attributes [85.87796260802223]
本稿では,マルチモーダル顔画像を保存するIDを同時に合成する新たな生成対向ネットワークを提案する。
実画像と偽画像の区別を行う識別装置にマルチモーダルストレッチインモジュールを導入。
論文 参考訳（メタデータ） (2021-04-09T13:47:23Z) - 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。