論文の概要: Multi-Class Cell Detection Using Spatial Context Representation

• arxiv url: http://arxiv.org/abs/2110.04886v1
• Date: Sun, 10 Oct 2021 19:54:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-15 11:49:43.356908
• Title: Multi-Class Cell Detection Using Spatial Context Representation
• Title（参考訳）: 空間的文脈表現を用いたマルチクラス細胞検出
• Authors: Shahira Abousamra, David Belinsky, John Van Arnam, Felicia Allard, Eric Yee, Rajarsi Gupta, Tahsin Kurc, Dimitris Samaras, Joel Saltz, Chao Chen
• Abstract要約: デジタル病理学では、細胞の自動診断および予後タスクにおいて、細胞の検出と分類の両方が重要である。 既存の方法は、個々の細胞の形態学的外観に焦点をあてるが、実際は、病理学者は、しばしばその空間的文脈を通して細胞クラスを推測する。 本研究では,空間的文脈情報を明示的に組み込んだ検出と分類のための新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 23.542218679448624
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In digital pathology, both detection and classification of cells are important for automatic diagnostic and prognostic tasks. Classifying cells into subtypes, such as tumor cells, lymphocytes or stromal cells is particularly challenging. Existing methods focus on morphological appearance of individual cells, whereas in practice pathologists often infer cell classes through their spatial context. In this paper, we propose a novel method for both detection and classification that explicitly incorporates spatial contextual information. We use the spatial statistical function to describe local density in both a multi-class and a multi-scale manner. Through representation learning and deep clustering techniques, we learn advanced cell representation with both appearance and spatial context. On various benchmarks, our method achieves better performance than state-of-the-arts, especially on the classification task.
• Abstract（参考訳）: デジタル病理学では、細胞の検出と分類は、自動診断と予後診断に重要である。 細胞を腫瘍細胞、リンパ球、間質細胞などのサブタイプに分類することは特に困難である。 既存の方法は個々の細胞の形態学的外観に焦点をあてるが、実際には病理学者は空間的文脈を通してしばしば細胞クラスを推測する。 本稿では,空間的文脈情報を明示的に包含する新しい検出法と分類法を提案する。 空間統計関数を用いて,マルチクラスとマルチスケールの両方で局所密度を記述する。 表現学習と深層クラスタリング技術を通じて,外観と空間コンテキストの両方で高度な細胞表現を学習する。 様々なベンチマークにおいて,本手法は最先端技術,特に分類タスクよりも優れた性能を実現する。

関連論文リスト

• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• 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)
• 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)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• 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)
• OCELOT: Overlapped Cell on Tissue Dataset for Histopathology [13.691924123273004]
  組織学における細胞検出のための細胞間関係研究のためのデータセットであるOCELOTをリリースする。 細胞と組織の両方のタスクを同時に学習できるマルチタスク学習手法を提案する。 特にOCELOTテストセットでは、F1スコアが最大6.79改善されている。
  論文  参考訳（メタデータ） (2023-03-23T08:57:11Z)
• VOLTA: an Environment-Aware Contrastive Cell Representation Learning for Histopathology [0.3436781233454516]
  病理組織像における細胞表現学習のための自己組織化フレームワーク(VOLTA)を提案する。 我々は、世界中の複数の機関から収集されたデータに関する広範な実験にモデルを適用した。 提案フレームワークの有効性を明らかにするため, 卵巣癌および子宮内膜癌にVOLTAを応用した。
  論文  参考訳（メタデータ） (2023-03-08T16:35:47Z)
• Multi-class versus One-class classifier in spontaneous speech analysis oriented to Alzheimer Disease diagnosis [58.720142291102135]
  本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。 外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
  論文  参考訳（メタデータ） (2022-03-21T09:57:20Z)
• 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)
• Biosensors and Machine Learning for Enhanced Detection, Stratification, and Classification of Cells: A Review [0.927465654262466]
  細胞を検出し分類するセンサーに機械学習がどのように明示的に適用されたかを説明します。 また,センサのモダリティやアルゴリズムの違いが,精度やデータセットサイズに与える影響についても比較した。
  論文  参考訳（メタデータ） (2021-01-06T04:32:30Z)
• Learning to segment clustered amoeboid cells from brightfield microscopy via multi-task learning with adaptive weight selection [6.836162272841265]
  マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。 ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。 検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
  論文  参考訳（メタデータ） (2020-05-19T11:31:53Z)

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。