論文の概要: Random Multi-Channel Image Synthesis for Multiplexed Immunofluorescence Imaging

• arxiv url: http://arxiv.org/abs/2109.09004v1
• Date: Sat, 18 Sep 2021 20:18:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:12:07.876420
• Title: Random Multi-Channel Image Synthesis for Multiplexed Immunofluorescence Imaging
• Title（参考訳）: 多重蛍光イメージングのためのランダム多チャンネル画像合成
• Authors: Shunxing Bao, Yucheng Tang, Ho Hin Lee, Riqiang Gao, Sophie Chiron, Ilwoo Lyu, Lori A. Coburn, Keith T. Wilson, Joseph T. Roland, Bennett A. Landman, Yuankai Huo
• Abstract要約: 多重蛍光 (MxIF) は単細胞マッピングの感度と特異性を高める新しいイメージング技術である。 pixN2N-HDと呼ばれる新しい多チャンネル高分解能画像合成手法を提案する。
• 参考スコア（独自算出の注目度）: 5.084818063609248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiplex immunofluorescence (MxIF) is an emerging imaging technique that produces the high sensitivity and specificity of single-cell mapping. With a tenet of 'seeing is believing', MxIF enables iterative staining and imaging extensive antibodies, which provides comprehensive biomarkers to segment and group different cells on a single tissue section. However, considerable depletion of the scarce tissue is inevitable from extensive rounds of staining and bleaching ('missing tissue'). Moreover, the immunofluorescence (IF) imaging can globally fail for particular rounds ('missing stain''). In this work, we focus on the 'missing stain' issue. It would be appealing to develop digital image synthesis approaches to restore missing stain images without losing more tissue physically. Herein, we aim to develop image synthesis approaches for eleven MxIF structural molecular markers (i.e., epithelial and stromal) on real samples. We propose a novel multi-channel high-resolution image synthesis approach, called pixN2N-HD, to tackle possible missing stain scenarios via a high-resolution generative adversarial network (GAN). Our contribution is three-fold: (1) a single deep network framework is proposed to tackle missing stain in MxIF; (2) the proposed 'N-to-N' strategy reduces theoretical four years of computational time to 20 hours when covering all possible missing stains scenarios, with up to five missing stains (e.g., '(N-1)-to-1', '(N-2)-to-2'); and (3) this work is the first comprehensive experimental study of investigating cross-stain synthesis in MxIF. Our results elucidate a promising direction of advancing MxIF imaging with deep image synthesis.
• Abstract（参考訳）: multiplex immunofluorescence (mxif) は、単細胞マッピングの感度と特異性を高める新しいイメージング技術である。 mxifは、"seeing is believe"のテネットで、反復的な染色と広範囲な抗体のイメージングを可能にし、単一の組織に異なる細胞を分割してグループ化する包括的なバイオマーカーを提供する。 しかし、少量の組織のかなりの枯渇は、広範囲にわたる染色と漂白("missing tissue")によって避けられない。 さらに、免疫蛍光(IF)イメージングは特定のラウンド(「染色を欠く」)で世界中で失敗することがある。 この作業では、"ミスステンズ"の問題に焦点を合わせます。 組織を物理的に失わずに、失明した染色画像を復元するためのデジタル画像合成アプローチを開発することが望ましいだろう。 本稿では,11個のMxIF構造分子マーカー(上皮およびストローム)を実検体上で画像合成する方法を開発することを目的とする。 そこで本研究では,高分解能生成逆数ネットワーク(GAN)を用いた多チャンネル高分解能画像合成手法であるPixN2N-HDを提案する。 1つのディープネットワークフレームワークがmxifの欠落汚れに対処するために提案されている;(2)提案されている「n-to-n」戦略は、最大5つの欠落汚れ(例えば'(n-1)-to-1'、'(n-2)-to-2')を含む全ての欠落汚れシナリオをカバーする場合の計算時間の理論的4年間を20時間に短縮する;(3)mxifにおけるクロスステイン合成を調査する最初の包括的な実験研究である。 以上の結果から,深部画像合成によるMxIF画像の進展が期待できる。

関連論文リスト

• Mew: Multiplexed Immunofluorescence Image Analysis through an Efficient Multiplex Network [84.88767228835928]
  マルチプレックスネットワークのレンズを通してmIF画像を効率的に処理する新しいフレームワークであるMewを紹介する。 Mew は、幾何学情報のための Voronoi ネットワークと、セルワイドの均一性を捉えるセル型ネットワークという、2つの異なる層からなる多重ネットワークを革新的に構築する。 このフレームワークは、トレーニング中にグラフ全体を処理できるスケーラブルで効率的なグラフニューラルネットワーク(GNN)を備えている。
  論文  参考訳（メタデータ） (2024-07-25T08:22:30Z)
• Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction [54.19448988321891]
  本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・ツー・エンドのディープラーニングフレームワークを提案する。 最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。 再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
  論文  参考訳（メタデータ） (2023-05-04T12:20:51Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• MultiPathGAN: Structure Preserving Stain Normalization using Unsupervised Multi-domain Adversarial Network with Perception Loss [10.043946236248392]
  病理組織学は、病気の診断に顕微鏡組織像の分析に頼っている。 我々は,複数のデータ取得領域にまたがって,スライド画像全体を翻訳(正規化)する,教師なしの敵ネットワークを導入する。
  論文  参考訳（メタデータ） (2022-04-20T20:48:17Z)
• Ensuring accurate stain reproduction in deep generative networks for virtual immunohistochemistry [0.0]
  Generative Adrial Networksは、あるイメージを別のイメージにマッピングする上で、はるかに進歩している。 CycleGANは、病理画像マッピングで組織構造を創出することができるが、関連する沈着を持ち、不正確な染色の領域を生成する。 本稿では,CycleGANの損失関数を緩和し,病理画像のマッピング能力を向上する方法について述べる。
  論文  参考訳（メタデータ） (2022-04-14T09:51:04Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Invertible Neural Networks for Uncertainty Quantification in Photoacoustic Imaging [22.690971184202944]
  本研究では、条件付き可逆ニューラルネットワーク(cINN)の概念を活用することにより、この特定の不確実性を扱うための新しいアプローチを提案する。 具体的には、組織酸素化と単画素初期圧力スペクトルを全後確率密度に変換するために一般的に用いられる点推定を超えることを提案する。 提示されたアーキテクチャに基づいて、この情報を利用して検出・定量化するだけでなく、不確かさを補う2つのユースケースを実証する。
  論文  参考訳（メタデータ） (2020-11-10T14:17:18Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)
• Pix2Pix-based Stain-to-Stain Translation: A Solution for Robust Stain Normalization in Histopathology Images Analysis [5.33024001730262]
  Stain-to-Stain Translation (STST) はヘマトキシリンおよびエオシン染色組織像の正常化に用いられている。 条件付きジェネレータ対向ネットワーク(cGAN)を用いたピクス2ピクセルフレームワークに基づく翻訳処理を行う。
  論文  参考訳（メタデータ） (2020-02-03T11:19:01Z)
• Digital synthesis of histological stains using micro-structured and multiplexed virtual staining of label-free tissue [2.446672595462589]
  ラベルのない組織を用いて仮想的な画像を生成するディープ・ラーニング・ベース・フレームワークを提案する。 無ラベル腎組織切片を用いて,この仮想染色ネットワークを訓練し,盲目的にテストした。
  論文  参考訳（メタデータ） (2020-01-20T22:14:06Z)

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。