論文の概要: Weakly Supervised Learning for cell recognition in immunohistochemical cytoplasm staining images

• arxiv url: http://arxiv.org/abs/2202.13372v1
• Date: Sun, 27 Feb 2022 14:33:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 17:07:42.834189
• Title: Weakly Supervised Learning for cell recognition in immunohistochemical cytoplasm staining images
• Title（参考訳）: 免疫組織化学的細胞質染色画像における細胞認識の弱監視学習
• Authors: Shichuan Zhang, Chenglu Zhu, Honglin Li, Jiatong Cai, Lin Yang
• Abstract要約: マルチタスク学習に基づく新しい細胞認識フレームワークを提案する。 我々は,細胞質染色画像の枠組みを評価し,本手法が最近の細胞認識手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 6.7466668253416024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cell classification and counting in immunohistochemical cytoplasm staining images play a pivotal role in cancer diagnosis. Weakly supervised learning is a potential method to deal with labor-intensive labeling. However, the inconstant cell morphology and subtle differences between classes also bring challenges. To this end, we present a novel cell recognition framework based on multi-task learning, which utilizes two additional auxiliary tasks to guide robust representation learning of the main task. To deal with misclassification, the tissue prior learning branch is introduced to capture the spatial representation of tumor cells without additional tissue annotation. Moreover, dynamic masks and consistency learning are adopted to learn the invariance of cell scale and shape. We have evaluated our framework on immunohistochemical cytoplasm staining images, and the results demonstrate that our method outperforms recent cell recognition approaches. Besides, we have also done some ablation studies to show significant improvements after adding the auxiliary branches.
• Abstract（参考訳）: 免疫組織化学的細胞質染色画像における細胞分類と計数は、がん診断において重要な役割を果たす。 弱教師付き学習は、労働集約的なラベリングを扱う潜在的な方法である。 しかし、不連続な細胞の形態やクラス間の微妙な違いも課題となる。 そこで本稿では,本課題のロバスト表現学習の指導に2つの補助タスクを用いるマルチタスク学習に基づく新しいセル認識フレームワークを提案する。 誤分類に対処するために, 組織前学習枝を導入し, 腫瘍細胞の空間的表現を付加的組織注釈なしで捉える。 さらに、動的マスクと整合性学習を採用し、細胞規模と形状の不変性を学習する。 我々は免疫組織化学的細胞質染色画像の枠組みを評価し,本手法が最近の細胞認識法よりも優れていることを示す。 また,補助枝を添加した後に有意な改善を示すため,いくつかのアブレーション研究を行った。

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)
• 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)
• 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)
• Fluorescent Neuronal Cells v2: Multi-Task, Multi-Format Annotations for Deep Learning in Microscopy [44.62475518267084]
  このデータセットは、歯状神経細胞の核と細胞質が多様なマーカーで染色される3つのイメージコレクションを含んでいる。 画像の他に、セマンティックセグメンテーション、オブジェクト検出、カウントなど、いくつかの学習タスクに対して、地平のアノテーションを提供する。
  論文  参考訳（メタデータ） (2023-07-26T15:14:10Z)
• 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)
• Unsupervised Deep Digital Staining For Microscopic Cell Images Via Knowledge Distillation [46.006296303296544]
  大規模にステンド/アンステンディングされたセルイメージペアを実際に取得することは困難である。 本稿では,セル画像のデジタル染色のための新しい教師なしディープラーニングフレームワークを提案する。 提案手法は, より正確な位置と形状の染色画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2023-03-03T16:26:38Z)
• Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
  本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。 我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。 透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
  論文  参考訳（メタデータ） (2022-06-24T22:25:31Z)
• 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)
• Weakly-supervised learning for image-based classification of primary melanomas into genomic immune subgroups [1.4585861543119112]
  我々は,ギガピクセルH&E染色病理スライドを免疫サブグループに分類する深層学習モデルを開発した。 我々は、スライドレベルラベルのみを必要とするマルチインスタンス学習アプローチを活用し、注意機構を用いて、その分類に高い重要性を持つ領域をハイライトする。
  論文  参考訳（メタデータ） (2022-02-23T13:57:35Z)
• Towards Interpretable Attention Networks for Cervical Cancer Analysis [24.916577293892182]
  複数の頸腺細胞の画像分類における最先端ディープラーニングモデルの評価を行った。 細胞群から重要な特徴を抽出するための残チャンネルアテンションモデルの有効性を示す。 また、子宮頸部細胞の分類に対処するための解釈可能なモデルも提供する。
  論文  参考訳（メタデータ） (2021-05-27T13:28:24Z)

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。