論文の概要: Chromosome Segmentation Analysis Using Image Processing Techniques and Autoencoders

• arxiv url: http://arxiv.org/abs/2209.05414v1
• Date: Mon, 12 Sep 2022 17:06:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-13 13:24:52.468202
• Title: Chromosome Segmentation Analysis Using Image Processing Techniques and Autoencoders
• Title（参考訳）: 画像処理技術とオートエンコーダを用いた染色体分割解析
• Authors: Amritha S Pallavoor, Prajwal A, Sundareshan TS, Sreekanth K Pallavoor
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Chromosome analysis and identification from metaphase images is a critical part of cytogenetics based medical diagnosis. It is mainly used for identifying constitutional, prenatal and acquired abnormalities in the diagnosis of genetic diseases and disorders. The process of identification of chromosomes from metaphase is a tedious one and requires trained personnel and several hours to perform. Challenge exists especially in handling touching, overlapping and clustered chromosomes in metaphase images, which if not segmented properly would result in wrong classification. We propose a method to automate the process of detection and segmentation of chromosomes from a given metaphase image, and in using them to classify through a Deep CNN architecture to know the chromosome type. We have used two methods to handle the separation of overlapping chromosomes found in metaphases - one method involving watershed algorithm followed by autoencoders and the other a method purely based on watershed algorithm. These methods involve a combination of automation and very minimal manual effort to perform the segmentation, which produces the output. The manual effort ensures that human intuition is taken into consideration, especially in handling touching, overlapping and cluster chromosomes. Upon segmentation, individual chromosome images are then classified into their respective classes with 95.75\% accuracy using a Deep CNN model. Further, we impart a distribution strategy to classify these chromosomes from the given output (which typically could consist of 46 individual images in a normal scenario for human beings) into its individual classes with an accuracy of 98\%. Our study helps conclude that pure manual effort involved in chromosome segmentation can be automated to a very good level through image processing techniques to produce reliable and satisfying results.
• Abstract（参考訳）: 細胞遺伝学的診断において, 染色体解析とメタフェーズ画像からの同定が重要である。 主に、遺伝疾患や疾患の診断において、構成的、出生前、獲得された異常を識別するために使用される。 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。 チャレンジは、特にメタフェーズ画像のタッチ、オーバーラップ、クラスタ化された染色体を扱う際に存在し、適切に区切らなければ間違った分類となる。 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し, 深層CNNアーキテクチャを用いて染色体のタイプを識別する手法を提案する。 中間相に見られる重複染色体の分離に2つの手法を用いた。1つは流域アルゴリズム、もう1つはオートエンコーダ、もう1つは流域アルゴリズムに基づく方法である。 これらの方法は、自動化と、アウトプットを生成するセグメンテーションを実行するための非常に小さな手作業の組み合わせを含む。 この手作業により、人間の直感、特に触覚、重複、クラスター染色体の扱いが考慮される。 セグメンテーションの際、個々の染色体画像はDeep CNNモデルを用いて95.75\%の精度でそれぞれのクラスに分類される。 さらに、これらの染色体を与えられた出力(通常、ヒトの通常のシナリオでは46個の個々の画像からなる)から、98\%の精度で個々のクラスに分類する分布戦略を付与する。 本研究は, 染色体分割に関わる純粋な手作業は, 画像処理技術により, 信頼性と満足度の高い結果を生み出すことにより, 極めて良好なレベルまで自動化できると結論づける。

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)
• 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)
• 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)
• Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic Disorders [55.41644538483948]
  分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。 従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。 本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
  論文  参考訳（メタデータ） (2022-10-23T11:52:57Z)
• 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)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Using Orientation to Distinguish Overlapping Chromosomes [3.6417475195085602]
  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。
  論文  参考訳（メタデータ） (2022-03-24T11:52:43Z)
• Deep Anomaly Generation: An Image Translation Approach of Synthesizing Abnormal Banded Chromosome Images [0.0]
  我々は,現実的な単一染色体画像の生成を可能にする条件付き対位ネットワークを実装した。 自己生成2次元染色体セグメンテーションラベルマップに基づく画像から画像への変換手法を用いる。 本手法は構造異常を伴う染色体データセットのデータ増大に活用できると考えている。
  論文  参考訳（メタデータ） (2021-09-20T17:16:23Z)
• 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)
• Adversarial Multiscale Feature Learning for Overlapping Chromosome Segmentation [6.180155406275231]
  染色体核型解析は疾患の診断と治療において非常に臨床的に重要である。 染色体のストリップ形状のため、画像化すると簡単に互いに重複します。 重なり合う染色体セグメンテーションの精度と適応性を向上させるために, 対角的マルチスケール特徴学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-22T06:04:22Z)

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。