論文の概要: HoechstGAN: Virtual Lymphocyte Staining Using Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2210.06909v2
• Date: Mon, 17 Oct 2022 12:21:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 13:28:09.610537
• Title: HoechstGAN: Virtual Lymphocyte Staining Using Generative Adversarial Networks
• Title（参考訳）: hoechstgan: 生成性adversarial networkを用いた仮想リンパ球染色
• Authors: Georg W\"olflein, In Hwa Um, David J Harrison, Ognjen Arandjelovi\'c
• Abstract要約: 本研究は, クリア細胞腎細胞癌におけるT細胞サブタイプを同定するために, CD3およびCD8を用いたHoechst画像の仮想染色を行う枠組みを提案する。 本手法は両課題を共同で学習し,各課題から有益情報を相互に組み込むネットワークのインセンティブを与える。 仮想染色品質を定量化するための新しい指標を考案し,そを用いて本手法の評価を行った。
• 参考スコア（独自算出の注目度）: 10.043946236248392
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The presence and density of specific types of immune cells are important to understand a patient's immune response to cancer. However, immunofluorescence staining required to identify T cell subtypes is expensive, time-consuming, and rarely performed in clinical settings. We present a framework to virtually stain Hoechst images (which are cheap and widespread) with both CD3 and CD8 to identify T cell subtypes in clear cell renal cell carcinoma using generative adversarial networks. Our proposed method jointly learns both staining tasks, incentivising the network to incorporate mutually beneficial information from each task. We devise a novel metric to quantify the virtual staining quality, and use it to evaluate our method.
• Abstract（参考訳）: 特定の種類の免疫細胞の存在と密度は、がんに対する患者の免疫応答を理解する上で重要である。 しかし、T細胞サブタイプを特定するのに必要な免疫蛍光染色は高価であり、時間がかかり、臨床環境ではほとんど行われない。 そこで本研究では,cd3とcd8を併用したフェヒスト画像(安価で広く普及している)を実質的に染色し,細胞性腎細胞癌におけるt細胞亜型を同定する枠組みを提案する。 提案手法は両課題を共同で学習し,各課題から有益な情報を相互に組み込むネットワークにインセンティブを与える。 我々は,仮想染色品質を定量化するための新しい指標を考案し,本手法の評価に使用する。

関連論文リスト

• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• 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)
• An AI-Ready Multiplex Staining Dataset for Reproducible and Accurate Characterization of Tumor Immune Microenvironment [7.595983383242494]
  頭頸部扁平上皮癌8例の保存および共同登録されたデジタル画像を含む,AI対応の計算病理データセットを新たに導入した。 腫瘍部位は,まずmIF法で染色し,次いでmIHC法で保存した。 これは、これらの2つの染色方法の等価性を実証し、いくつかのユースケースを可能にする最初の公開データセットである。
  論文  参考訳（メタデータ） (2023-05-25T20:42:23Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)
• Machine learning based lens-free imaging technique for field-portable cytometry [0.0]
  提案手法の精度は98%に向上し,多くの細胞に対して5dB以上の信号が増強された。 モデルは、数回の学習イテレーションで新しいタイプのサンプルを学ぶために適応し、新しく導入されたサンプルをうまく分類することができる。
  論文  参考訳（メタデータ） (2022-03-02T07:09:29Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• Attention based Multiple Instance Learning for Classification of Blood Cell Disorders [38.086308180994976]
  血液細胞障害患者の血液サンプルを分類するために,注意に基づく多症例学習法を提案する。 各細胞から抽出された特徴により、患者サンプルを4つの血液細胞障害のうち1つに分類する。 注意機構は、各セルの全体的な分類への貢献度を測定し、ネットワークの分類精度と医療専門家に対する解釈可能性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-07-22T19:29:40Z)
• Automated Phenotyping via Cell Auto Training (CAT) on the Cell DIVE Platform [0.5599792629509229]
  多重蛍光画像を用いた自動トレーニングセットを用いて, 組織試料中の細胞の自動分類法を提案する。 本発明の方法は、ロバストなハイパープレックス免疫蛍光プラットフォーム上の1つの組織部位に、その場で染色された複数のマーカーを利用する。
  論文  参考訳（メタデータ） (2020-07-18T16:45:32Z)

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。