Fugu-MT 論文翻訳(概要): Self-supervised learning for analysis of temporal and morphological drug effects in cancer cell imaging data

論文の概要: Self-supervised learning for analysis of temporal and morphological drug effects in cancer cell imaging data

arxiv url: http://arxiv.org/abs/2203.04289v1
Date: Mon, 7 Mar 2022 14:48:13 GMT
ステータス: 処理完了
システム内更新日: 2022-03-11 11:01:33.100581
Title: Self-supervised learning for analysis of temporal and morphological drug effects in cancer cell imaging data
Title（参考訳）: 癌細胞イメージングデータにおける時間的および形態的薬物効果の解析のための自己教師付き学習
Authors: Andrei Dmitrenko, Mauro M. Masiero and Nicola Zamboni
Abstract要約: 我々は、1M画像データセット上の畳み込みオートエンコーダをランダムな拡張とマルチクロップで訓練し、特徴抽出器として利用する。我々は,31種類の薬物の時間的パターンをクラスタリングするために,距離に基づく分析と動的時間ゆらぎを用いた。形態的特徴重要写像の平均値と地雷値について,トップ3分類精度を8%向上させた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we propose two novel methodologies to study temporal and morphological phenotypic effects caused by different experimental conditions using imaging data. As a proof of concept, we apply them to analyze drug effects in 2D cancer cell cultures. We train a convolutional autoencoder on 1M images dataset with random augmentations and multi-crops to use as feature extractor. We systematically compare it to the pretrained state-of-the-art models. We further use the feature extractor in two ways. First, we apply distance-based analysis and dynamic time warping to cluster temporal patterns of 31 drugs. We identify clusters allowing annotation of drugs as having cytotoxic, cytostatic, mixed or no effect. Second, we implement an adversarial/regularized learning setup to improve classification of 31 drugs and visualize image regions that contribute to the improvement. We increase top-3 classification accuracy by 8% on average and mine examples of morphological feature importance maps. We provide the feature extractor and the weights to foster transfer learning applications in biology. We also discuss utility of other pretrained models and applicability of our methods to other types of biomedical data.
Abstract（参考訳）: 本研究では,画像データを用いて実験条件の違いによる時間的および形態的表現型効果を研究する2つの手法を提案する。概念実証として、2D癌細胞培養における薬物効果の解析に応用する。 1m画像データセット上で畳み込みオートエンコーダをランダムな拡張とマルチクロップを用いて訓練し,特徴抽出を行う。我々は、それを事前訓練された最先端モデルと比較する。さらに2つの方法で特徴抽出器を使用する。まず,31種類の薬物のクラスター時間パターンに距離に基づく解析と動的時間ゆがみを適用した。薬物のアノテーションを細胞毒性、細胞質性、混合、無効果とみなすクラスターを同定した。第2に,31種類の薬物の分類を改善し,その改善に寄与する画像領域を可視化するために,敵対的/正規化学習設定を実装した。形態学的特徴重要度マップの平均およびマイニング例において,top-3分類精度を8%向上させた。生物学における伝達学習の応用を促進するための特徴抽出器と重みを提供する。また,他のバイオメディカルデータに対する事前学習モデルの有用性と本手法の適用性についても論じる。

関連論文リスト

Comparative Analysis of ImageNet Pre-Trained Deep Learning Models and DINOv2 in Medical Imaging Classification [7.205610366609243]
本稿では,脳MRIデータの3つの臨床的モダリティを用いたグリオーマグレーディングタスクを行った。我々は、ImageNetやDINOv2をベースとした様々な事前学習深層学習モデルの性能を比較した。臨床データでは,DINOv2 はImageNet ベースで事前訓練したモデルほど優れていなかった。
論文参考訳（メタデータ） (2024-02-12T11:49:08Z)
Nondestructive, quantitative viability analysis of 3D tissue cultures using machine learning image segmentation [0.0]
本稿では,3次元培養における細胞生存率の定量化のための画像処理アルゴリズムについて述べる。提案アルゴリズムは,1対の人的専門家に対して,数日にわたる全体像と培養マトリクスの合成において,同様の性能を示すことを示す。
論文参考訳（メタデータ） (2023-11-15T20:28:31Z)
Exploiting Causality Signals in Medical Images: A Pilot Study with Empirical Results [1.2400966570867322]
本稿では,ニューラルネットワークによる分類目的の画像から弱い因果信号を発見し,利用するための新しい手法を提案する。このようにして、画像の1つの部分における特徴の存在が、画像の別の部分における他の特徴の出現にどのように影響するかをモデル化する。提案手法は,畳み込みニューラルネットワークのバックボーンと因果係数抽出モジュールから構成される。
論文参考訳（メタデータ） (2023-09-19T08:00:26Z)
DiffMIC: Dual-Guidance Diffusion Network for Medical Image Classification [32.67098520984195]
一般医用画像分類のための拡散モデル(DiffMIC)を提案する。実験の結果,DiffMICは最先端の手法よりも有意に優れていた。
論文参考訳（メタデータ） (2023-03-19T09:15:45Z)
Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文参考訳（メタデータ） (2023-01-14T15:07:43Z)
Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-11-14T18:16:36Z)
Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文参考訳（メタデータ） (2022-09-27T15:50:31Z)
Comparing representations of biological data learned with different AI paradigms, augmenting and cropping strategies [0.0]
我々は、同じ条件下で、770kのがん細胞イメージデータセットに16のディープラーニング設定をトレーニングする。 3つの下流タスク毎に複数のメトリクスを評価することで、学習した表現を比較する。自己監督型(単純な対照的な学習)モデルでは、競争性能はトレーニングの最大11倍速くなりました。
論文参考訳（メタデータ） (2022-03-07T14:34:42Z)
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)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。