論文の概要: Learning to Predict RNA Sequence Expressions from Whole Slide Images
with Applications for Search and Classification
- arxiv url: http://arxiv.org/abs/2203.13997v1
- Date: Sat, 26 Mar 2022 05:38:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 16:35:58.423030
- Title: Learning to Predict RNA Sequence Expressions from Whole Slide Images
with Applications for Search and Classification
- Title(参考訳): 全スライド画像からのrna配列発現予測のための学習と探索・分類への応用
- Authors: Amir Safarpoor, Jason D. Hipp, H.R. Tizhoosh
- Abstract要約: 本研究では,画像からバルクシーケンスを予測し,ガラススライドのスライド画像全体を同時に表現できる注目型トポロジーを提案する。
我々はいくつかの実験を行い、最先端のアルゴリズムと比較してより優れた性能と高速な収束を実現した。
- 参考スコア(独自算出の注目度): 1.3535770763481905
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning methods are widely applied in digital pathology to address
clinical challenges such as prognosis and diagnosis. As one of the most recent
applications, deep models have also been used to extract molecular features
from whole slide images. Although molecular tests carry rich information, they
are often expensive, time-consuming, and require additional tissue to sample.
In this paper, we propose tRNAsfomer, an attention-based topology that can
learn both to predict the bulk RNA-seq from an image and represent the whole
slide image of a glass slide simultaneously. The tRNAsfomer uses multiple
instance learning to solve a weakly supervised problem while the pixel-level
annotation is not available for an image. We conducted several experiments and
achieved better performance and faster convergence in comparison to the
state-of-the-art algorithms. The proposed tRNAsfomer can assist as a
computational pathology tool to facilitate a new generation of search and
classification methods by combining the tissue morphology and the molecular
fingerprint of the biopsy samples.
- Abstract(参考訳): 深層学習法は、予後や診断などの臨床的課題に対処するために、デジタル病理学に広く応用されている。
最新のアプリケーションの1つとして、深層モデルはスライド画像全体から分子の特徴を抽出するためにも使われている。
分子テストには豊富な情報があるが、しばしば高価で、時間を要するため、サンプルには追加の組織が必要である。
本稿では,注目に基づくトポロジーであるtRNAsfomerを提案する。このトポロジーは,画像からバルクRNA系列を予測し,ガラススライドのスライド画像全体を同時に表現する。
tRNAsfomerは複数のインスタンス学習を使用して弱制御された問題を解決する一方、ピクセルレベルのアノテーションは画像には利用できない。
我々は,いくつかの実験を行い,最先端アルゴリズムと比較し,性能の向上と収束の高速化を実現した。
提案したtRNAsfomerは、組織形態と生検サンプルの分子指紋を組み合わせることにより、新しい検索および分類方法の創出を促進するための計算病理ツールとして役立つ。
関連論文リスト
- COIN: Counterfactual inpainting for weakly supervised semantic segmentation for medical images [3.5418498524791766]
本研究は, 新規なカウンターファクト・インパインティング・アプローチ(COIN)の開発である。
COINは、予測された分類ラベルを生成モデルを用いて異常から正常に反転させる。
本手法の有効性は,エストニアのタルツ大学病院から取得したCT画像から,合成標的と実際の腎腫瘍を分離することによって実証される。
論文 参考訳(メタデータ) (2024-04-19T12:09:49Z) - Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。
提案手法は, 監視対象の性能を超過する。
論文 参考訳(メタデータ) (2024-03-25T17:40:32Z) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳(メタデータ) (2023-03-23T18:50:18Z) - NASDM: Nuclei-Aware Semantic Histopathology Image Generation Using
Diffusion Models [3.2996723916635267]
第一種核認識意味組織生成フレームワーク(NASDM)
NASDMは、最大6種類の核型のセマンティック・インスタンス・マスクを与えられた現実的な組織サンプルを合成することができる。
これらの合成画像は、病理学、モデルの検証、既存の核セグメンテーションデータセットの補充に有用である。
論文 参考訳(メタデータ) (2023-03-20T22:16:03Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳(メタデータ) (2022-06-17T08:11:26Z) - Deepfake histological images for enhancing digital pathology [0.40631409309544836]
我々は,クラスラベルに制約された病理像を合成する生成逆ネットワークモデルを開発した。
前立腺および大腸組織像の合成におけるこの枠組みの有用性について検討した。
大腸生検によるより複雑な画像へのアプローチを拡張し,そのような組織における複雑な微小環境も再現可能であることを示す。
論文 参考訳(メタデータ) (2022-06-16T17:11:08Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - A Deep Reinforcement Learning Framework for Rapid Diagnosis of Whole
Slide Pathological Images [4.501311544043762]
本稿では,ネットワーク推論に要する時間を大幅に削減できる,弱教師付き深層強化学習フレームワークを提案する。
ニューラルネットワークを用いて,強化学習エージェントの探索モデルと決定モデルを構築する。
実験結果から,提案手法は画素レベルのアノテーションを使わずに,スライド画像全体の高速な推測と精度の予測が可能であることが示唆された。
論文 参考訳(メタデータ) (2022-05-05T14:20:29Z) - Pathological Analysis of Blood Cells Using Deep Learning Techniques [0.0]
血液細胞像を様々なカテゴリに分類するニューラルネットワークが提案されている。
提案したモデルの性能は、既存の標準アーキテクチャよりも優れており、様々な研究者によってなされている。
論文 参考訳(メタデータ) (2021-11-05T05:37:10Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-10-27T18:54:25Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z)
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。