論文の概要: Cells are Actors: Social Network Analysis with Classical ML for SOTA
Histology Image Classification
- arxiv url: http://arxiv.org/abs/2106.15299v1
- Date: Tue, 29 Jun 2021 12:22:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-01 00:22:14.129964
- Title: Cells are Actors: Social Network Analysis with Classical ML for SOTA
Histology Image Classification
- Title(参考訳): 細胞はアクターである:somaヒストロジー画像分類のための古典mlを用いたソーシャルネットワーク分析
- Authors: Neda Zamanitajeddin, Mostafa Jahanifar, and Nasir Rajpoot
- Abstract要約: 本稿では,組織マイクロ環境の複雑な構造を記述するために,統計ネットワーク解析手法を提案する。
ネットワーク内の細胞間の相互作用のみを解析することにより、CRAグレーディングのための高度に識別可能な統計的特徴を抽出できることが示される。
我々は,広帯域CRCヒストロジー画像データセット上にセルネットワークを作成し,提案手法を実験し,三クラスCRAグレーディングの予測のための最先端性能を報告した。
- 参考スコア(独自算出の注目度): 1.4806818833792859
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digitization of histology images and the advent of new computational methods,
like deep learning, have helped the automatic grading of colorectal
adenocarcinoma cancer (CRA). Present automated CRA grading methods, however,
usually use tiny image patches and thus fail to integrate the entire tissue
micro-architecture for grading purposes. To tackle these challenges, we propose
to use a statistical network analysis method to describe the complex structure
of the tissue micro-environment by modelling nuclei and their connections as a
network. We show that by analyzing only the interactions between the cells in a
network, we can extract highly discriminative statistical features for CRA
grading. Unlike other deep learning or convolutional graph-based approaches,
our method is highly scalable (can be used for cell networks consist of
millions of nodes), completely explainable, and computationally inexpensive. We
create cell networks on a broad CRC histology image dataset, experiment with
our method, and report state-of-the-art performance for the prediction of
three-class CRA grading.
- Abstract(参考訳): 組織像のデジタル化とディープラーニングのような新しい計算手法の出現は、大腸癌(CRA)の自動グレーディングに役立っている。
しかし、現在、craグレーティングの自動化手法は、通常は小さなイメージパッチを使用しており、グレーディングのために組織全体のマイクロアーキテクチャを統合することができない。
これらの課題に取り組むために,核とその接続をネットワークとしてモデル化し,組織微小環境の複雑な構造を記述するための統計的ネットワーク解析手法を提案する。
ネットワーク内の細胞間の相互作用のみを解析することにより、CRAグレーディングのための高度に識別可能な統計的特徴を抽出できることを示す。
他のディープラーニングや畳み込みグラフベースのアプローチとは異なり、この方法は高度にスケーラブルである(数百万のノードからなるセルネットワークで使用できる)。
我々は,広帯域CRCヒストロジー画像データセット上にセルネットワークを作成し,提案手法を実験し,三クラスCRAグレーディングの予測のための最先端性能を報告する。
関連論文リスト
- 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) - A novel framework employing deep multi-attention channels network for
the autonomous detection of metastasizing cells through fluorescence
microscopy [0.20999222360659603]
正常細胞と転移細胞を区別できる計算フレームワークを開発した。
この方法は、正常で転移する単細胞においてアクチンとビメンチンフィラメントの空間的構造を示す蛍光顕微鏡画像に依存する。
論文 参考訳(メタデータ) (2023-09-02T11:20:10Z) - Asymmetric Co-Training with Explainable Cell Graph Ensembling for
Histopathological Image Classification [28.949527817202984]
本稿では,深部グラフ畳み込みニューラルネットワークと畳み込みニューラルネットワークを組み合わせた非対称協調学習フレームワークを提案する。
セルグラフデータを扱う14層ディープグラフ畳み込みネットワークを構築した。
プライベートLUAD7Cおよびパブリック大腸癌データセットに対するアプローチについて検討した。
論文 参考訳(メタデータ) (2023-08-24T12:27:03Z) - 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) - Adaptive Convolutional Dictionary Network for CT Metal Artifact
Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。
我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。
本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文 参考訳(メタデータ) (2022-05-16T06:49:36Z) - Cell nuclei classification in histopathological images using hybrid
OLConvNet [13.858624044986815]
我々は,ハイブリッドでフレキシブルなディープラーニングアーキテクチャOLConvNetを提案している。
CNN_3L$は、少ないパラメータをトレーニングすることで、トレーニング時間を短縮する。
提案手法は, 現代の複雑なアルゴリズムよりも良好に動作し, 性能が向上することを示した。
論文 参考訳(メタデータ) (2022-02-21T12:39:37Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - Analysis of Vision-based Abnormal Red Blood Cell Classification [1.6050172226234583]
赤血球(RBC)の異常の同定は、貧血から肝疾患まで幅広い医学的疾患を診断する鍵となる。
本稿では,機械学習の利点を利用したセル異常検出のキャパシティ向上と標準化を目的とした自動化プロセスを提案する。
論文 参考訳(メタデータ) (2021-06-01T10:52:41Z) - Multi-task Graph Convolutional Neural Network for Calcification
Morphology and Distribution Analysis in Mammograms [4.731981307843478]
クラスター内の微細石灰化の形態と分布は、放射線学者が乳癌を診断するための最も重要な特徴です。
マンモグラムにおける微細石灰化の形状と分布を自動解析するためのマルチタスクディープグラフ畳み込みネットワーク (GCN) を提案する。
論文 参考訳(メタデータ) (2021-05-14T13:32:47Z) - 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) - Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。
これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。
生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文 参考訳(メタデータ) (2020-06-22T11:41:57Z)
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。