論文の概要: Hierarchical Phenotyping and Graph Modeling of Spatial Architecture in Lymphoid Neoplasms

• arxiv url: http://arxiv.org/abs/2106.16174v1
• Date: Wed, 30 Jun 2021 16:09:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-01 17:35:28.510919
• Title: Hierarchical Phenotyping and Graph Modeling of Spatial Architecture in Lymphoid Neoplasms
• Title（参考訳）: リンパ系腫瘍における空間構造の階層的表現とグラフモデリング
• Authors: Pingjun Chen, Muhammad Aminu, Siba El Hussein, Joseph Khoury, Jia Wu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.229065627904531
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The cells and their spatial patterns in the tumor microenvironment (TME) play a key role in tumor evolution, and yet remains an understudied topic in computational pathology. This study, to the best of our knowledge, is among the first to hybrid local and global graph methods to profile orchestration and interaction of cellular components. To address the challenge in hematolymphoid cancers where the cell classes in TME are unclear, we first implemented cell level unsupervised learning and identified two new cell subtypes. Local cell graphs or supercells were built for each image by considering the individual cell's geospatial location and classes. Then, we applied supercell level clustering and identified two new cell communities. In the end, we built global graphs to abstract spatial interaction patterns and extract features for disease diagnosis. We evaluate the proposed algorithm on H\&E slides of 60 hematolymphoid neoplasm patients and further compared it with three cell level graph-based algorithms, including the global cell graph, cluster cell graph, and FLocK. The proposed algorithm achieves a mean diagnosis accuracy of 0.703 with the repeated 5-fold cross-validation scheme. In conclusion, our algorithm shows superior performance over the existing methods and can be potentially applied to other cancer types.
• Abstract（参考訳）: 腫瘍微小環境(TME)における細胞とその空間パターンは、腫瘍の進化において重要な役割を担っているが、計算病理学では未研究のトピックである。 この研究は、我々の知る限り、細胞成分のオーケストレーションと相互作用をプロファイルする局所グラフ法とグローバルグラフ法を併用する最初の試みの一つである。 TMEの細胞クラスが不明な造血器癌では, まず, 細胞レベルでの教師なし学習を行い, 2種類の新しい細胞サブタイプを同定した。 局所的なセルグラフやスーパーセルは、個々のセルの地理空間的位置とクラスを考慮して構築された。 そこで,スーパーセルレベルのクラスタリングを行い,新たな2つの細胞群を同定した。 最後に、空間的相互作用パターンを抽象化し、疾患診断のための特徴を抽出するグローバルグラフを構築した。 造血器腫瘍60例のh\&eスライドにおける提案アルゴリズムを評価し,グローバルセルグラフ,クラスタセルグラフ,flockという3つの細胞レベルグラフベースアルゴリズムと比較した。 提案手法は5倍のクロスバリデーションを繰り返すことで平均診断精度を0.703とする。 結論として,本アルゴリズムは既存手法よりも優れた性能を示し,他のがん種にも適用できる可能性が示唆された。

関連論文リスト

• HemaGraph: Breaking Barriers in Hematologic Single Cell Classification with Graph Attention [0.9499648210774584]
  HemaGraphはフローデータから血液細胞の単細胞多クラス分類のための新しいフレームワークである。 HemaGraphは、30人の患者のデータに基づいて、5つの異なる細胞クラスにまたがる分類性能を示す。 本手法は, より大規模なコホート患者および他の血液疾患からの単細胞データに応用することを目的としている。
  論文  参考訳（メタデータ） (2024-02-28T15:15:38Z)
• 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)
• scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
  グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
  論文  参考訳（メタデータ） (2023-12-16T03:54:26Z)
• 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)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Topology-Guided Multi-Class Cell Context Generation for Digital Pathology [28.43244574309888]
  空間統計学とトポロジカルデータ解析の数学的ツールをいくつか紹介する。 高品質なマルチクラスセルレイアウトを初めて生成する。 トポロジに富んだセルレイアウトは,データ拡張やセル分類などの下流タスクの性能向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-05T07:01:34Z)
• MesoGraph: Automatic Profiling of Malignant Mesothelioma Subtypes from Histological Images [0.0]
  我々は,組織領域をセルレゾリューションに分解できるモデルを学ぶために,ランキング損失を低減した新しいデュアルタスクグラフニューラルネットワーク(GNN)アーキテクチャを開発した。 これにより、サンプル中の全ての細胞のサルコカトイド関連スコアに従って、腫瘍サンプルの定量的なプロファイリングが可能になる。 本モデルで同定された形態的相違は,病理学者が用いた既知の相違と一致することが判明した。
  論文  参考訳（メタデータ） (2023-02-23T11:11:55Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• 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)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)

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。