Fugu-MT 論文翻訳(概要): CCRL: Contrastive Cell Representation Learning

論文の概要: CCRL: Contrastive Cell Representation Learning

arxiv url: http://arxiv.org/abs/2208.06445v1
Date: Fri, 12 Aug 2022 18:12:03 GMT
ステータス: 処理完了
システム内更新日: 2022-08-16 13:39:10.607620
Title: CCRL: Contrastive Cell Representation Learning
Title（参考訳）: CCRL: コントラスト細胞表現学習
Authors: Ramin Nakhli, Amirali Darbandsari, Hossein Farahani, Ali Bashashati
Abstract要約: 本稿では,H&Eスライドにおけるセル識別のためのコントラストセル表現学習(CCRL)モデルを提案する。このモデルは、組織の種類によって異なる2つのデータセットにまたがる大きなマージンで、現在利用可能なすべてのセルクラスタリングモデルより優れていることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Cell identification within the H&E slides is an essential prerequisite that can pave the way towards further pathology analyses including tissue classification, cancer grading, and phenotype prediction. However, performing such a task using deep learning techniques requires a large cell-level annotated dataset. Although previous studies have investigated the performance of contrastive self-supervised methods in tissue classification, the utility of this class of algorithms in cell identification and clustering is still unknown. In this work, we investigated the utility of Self-Supervised Learning (SSL) in cell clustering by proposing the Contrastive Cell Representation Learning (CCRL) model. Through comprehensive comparisons, we show that this model can outperform all currently available cell clustering models by a large margin across two datasets from different tissue types. More interestingly, the results show that our proposed model worked well with a few number of cell categories while the utility of SSL models has been mainly shown in the context of natural image datasets with large numbers of classes (e.g., ImageNet). The unsupervised representation learning approach proposed in this research eliminates the time-consuming step of data annotation in cell classification tasks, which enables us to train our model on a much larger dataset compared to previous methods. Therefore, considering the promising outcome, this approach can open a new avenue to automatic cell representation learning.
Abstract（参考訳）: h&eスライド内の細胞同定は、組織分類、がん診断、表現型予測など、さらなる病理分析への道を開く上で必須の前提条件である。しかし、深層学習技術を用いてそのようなタスクを実行するには、大きなセルレベルのアノテートデータセットが必要である。組織分類におけるコントラスト的自己監督法の性能についてはこれまで研究されてきたが、細胞同定とクラスタリングにおけるこの種のアルゴリズムの有用性はいまだ不明である。本研究では,セルクラスタリングにおける自己監視学習(SSL)の有用性について,コントラストセル表現学習(CCRL)モデルを提案する。包括的比較により、このモデルは、組織の種類によって異なる2つのデータセットにまたがる大きなマージンで、現在利用可能な全てのセルクラスタリングモデルより優れていることを示す。さらに興味深いのは,提案モデルがいくつかのセルカテゴリでうまく動作し,sslモデルの有用性が,多数のクラス(例えばimagenet)を持つ自然画像データセットのコンテキストで主に示されている点である。本研究では,セル分類タスクにおけるデータアノテーションの時間を要するステップを排除し,従来の手法に比べてはるかに大きなデータセットでモデルをトレーニングすることを可能にする。したがって、有望な結果を考えると、このアプローチは自動セル表現学習への新しい道を開くことができる。

関連論文リスト

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)
scInterpreter: Training Large Language Models to Interpret scRNA-seq Data for Cell Type Annotation [15.718901418627366]
本研究は、単一細胞RNAシークエンシングデータにおいて、細胞型を解釈し、区別する機能を備えた大規模言語モデルの訓練および適応方法に焦点を当てる。
論文参考訳（メタデータ） (2024-02-18T05:39:00Z)
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)
Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
論文参考訳（メタデータ） (2023-11-28T08:34:58Z)
Point-supervised Single-cell Segmentation via Collaborative Knowledge Sharing [0.0]
本稿では,シングルセルセグメンテーションモデルの弱教師付きトレーニング設定について述べる。さらに興味深いのは、コラボレーティブ・ナレッジ・シェアリング(英語版)と呼ばれる自己学習手法である。この戦略は、主モデルと非常に軽量な協調モデルの間で知識を共有することで自己学習を実現する。
論文参考訳（メタデータ） (2023-04-20T23:22:41Z)
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)
Self-Supervised Class Incremental Learning [51.62542103481908]
既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
論文参考訳（メタデータ） (2021-11-18T06:58:19Z)
Sickle-cell disease diagnosis support selecting the most appropriate machinelearning method: Towards a general and interpretable approach for cellmorphology analysis from microscopy images [0.0]
本稿では,最先端技術に基づく分類手法と特徴の選択手法を提案する。当科では,他の研究例に応用できる病原体疾患のサンプルを用いて検討した。
論文参考訳（メタデータ） (2020-10-09T11:46:38Z)
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)
A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。