論文の概要: Using Orientation to Distinguish Overlapping Chromosomes

• arxiv url: http://arxiv.org/abs/2203.13004v1
• Date: Thu, 24 Mar 2022 11:52:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-25 14:44:21.448746
• Title: Using Orientation to Distinguish Overlapping Chromosomes
• Title（参考訳）: 配向を用いた染色体重なり合いの解消
• Authors: Daniel Kluvanec, Thomas B. Phillips, Kenneth J. W. McCaffrey, Noura Al Moubayed
• Abstract要約: 私たちはDeep Learningメソッドを使って、タッチやオーバーラップする染色体を分割します。 我々は第2段階で染色体のインスタンスを分離し、染色体の向きを予測する。 本稿では,ニューラルネットワークを用いて方向を予測できる新しいダブルアングル表現を提案する。
• 参考スコア（独自算出の注目度）: 3.6417475195085602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A difficult step in the process of karyotyping is segmenting chromosomes that touch or overlap. In an attempt to automate the process, previous studies turned to Deep Learning methods, with some formulating the task as a semantic segmentation problem. These models treat separate chromosome instances as semantic classes, which we show to be problematic, since it is uncertain which chromosome should be classed as #1 and #2. Assigning class labels based on comparison rules, such as the shorter/longer chromosome alleviates, but does not fully resolve the issue. Instead, we separate the chromosome instances in a second stage, predicting the orientation of the chromosomes by the model and use it as one of the key distinguishing factors of the chromosomes. We demonstrate this method to be effective. Furthermore, we introduce a novel Double-Angle representation that a neural network can use to predict the orientation. The representation maps any direction and its reverse to the same point. Lastly, we present a new expanded synthetic dataset, which is based on Pommier's dataset, but addresses its issues with insufficient separation between its training and testing sets.
• Abstract（参考訳）: 核タイピングの過程における難しいステップは、触れたり重なった染色体を分割することである。 プロセスを自動化する試みとして、過去の研究はDeep Learningメソッドに転換し、タスクを意味的セグメンテーション問題として定式化した。 これらのモデルは、各染色体のインスタンスをセマンティッククラスとして扱うが、どの染色体を#1と#2に分類すべきかは定かではない。 短い染色体やより長い染色体などの比較規則に基づいたクラスラベルの割り当ては緩和されるが、完全には解決しない。 その代わり、第2段階で染色体のインスタンスを分離し、モデルによる染色体の配向を予測し、染色体の重要な区別因子の1つとして使用する。 この方法が有効であることを示す。 さらに,ニューラルネットを用いて方向を予測できる新しい二重角表現を提案する。 表現は任意の方向とその逆を同じ点に写す。 最後に、Pommierのデータセットに基づく新しい拡張された合成データセットを提案するが、トレーニングとテストセットの分離が不十分な問題に対処する。

関連論文リスト

• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Masked conditional variational autoencoders for chromosome straightening [14.665481276886194]
  核タイピングはヒト疾患における染色体異常の検出に重要である。 染色体は顕微鏡画像に容易に湾曲し、細胞遺伝学者が染色体の型を分析するのを防ぐ。 本稿では,前処理アルゴリズムと生成モデルを組み合わせた染色体ストレート化の枠組みを提案する。
  論文  参考訳（メタデータ） (2023-06-25T05:11:41Z)
• AutoKary2022: A Large-Scale Densely Annotated Dataset for Chromosome Instance Segmentation [8.029213659494856]
  AutoKary2022は50人の患者の612の顕微鏡画像に27,000以上の染色体が含まれている。 各インスタンスにはポリゴンマスクとクラスラベルがアノテートされ、正確な染色体の検出とセグメンテーションを支援する。
  論文  参考訳（メタデータ） (2023-03-28T09:15:55Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)
• Chromosome Segmentation Analysis Using Image Processing Techniques and Autoencoders [0.0]
  細胞遺伝学に基づく診断において, 染色体解析とメタフェーズ画像からの同定が重要な部分である。 染色体をメタフェーズから同定するプロセスは退屈なもので、訓練された人員と実行に数時間を要する。 そこで本研究では,染色体検出と染色体分割のプロセスを自動化する手法を提案する。
  論文  参考訳（メタデータ） (2022-09-12T17:06:42Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• ChrSNet: Chromosome Straightening using Self-attention Guided Networks [7.335018936053776]
  染色体の曲率を消去する自己注意ガイドフレームワークを提案する。 提案手法は空間情報と局所テクスチャを抽出し,バンドリングパターンを保存する。 本稿では,染色体長の維持と染色体の歪みの回復に要する2つの厳密な幾何学的制約を提案する。
  論文  参考訳（メタデータ） (2022-07-01T02:19:49Z)
• A Novel Application of Image-to-Image Translation: Chromosome Straightening Framework by Learning from a Single Image [3.7769813168959527]
  染色体直線化は、染色体の病理研究や細胞遺伝地図の発達において重要な役割を担っている。 本研究では、画像から画像への変換に基づく新しいフレームワークを提案し、直交染色体の合成のための関連するマッピング依存性を学習する。
  論文  参考訳（メタデータ） (2021-03-04T05:05:41Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。