論文の概要: Explainable Deep Learning to Profile Mitochondrial Disease Using High
Dimensional Protein Expression Data
- arxiv url: http://arxiv.org/abs/2210.17360v1
- Date: Mon, 31 Oct 2022 14:39:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 18:30:02.587410
- Title: Explainable Deep Learning to Profile Mitochondrial Disease Using High
Dimensional Protein Expression Data
- Title（参考訳）: 高次元タンパク質発現データを用いたミトコンドリア病の詳細な深層学習
- Authors: Atif Khan, Conor Lawless, Amy E Vincent, Satish Pilla, Sushanth
Ramesh, A. Stephen McGough
- Abstract要約: 現在, ミトコンドリア疾患は, 病態の理解が限られているため治療不能である。
MRI Mass Cytometry (IMC) を用いたミトコンドリア病理過程の解明を目的として, 骨格筋線維(SM)における各種ミトコンドリア蛋白の発現について検討した。
これらの画像の統計的解析には、患者の筋肉生検のIMC画像に数千のSMの半自動アノテーションが必要である。
本稿では,IMCデータに対する深層学習(DL)を用いた手動前処理ステップや統計要約,統計モデルなしで解析する方法について検討する。
- 参考スコア（独自算出の注目度）: 0.4893345190925177
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mitochondrial diseases are currently untreatable due to our limited
understanding of their pathology. We study the expression of various
mitochondrial proteins in skeletal myofibres (SM) in order to discover
processes involved in mitochondrial pathology using Imaging Mass Cytometry
(IMC). IMC produces high dimensional multichannel pseudo-images representing
spatial variation in the expression of a panel of proteins within a tissue,
including subcellular variation. Statistical analysis of these images requires
semi-automated annotation of thousands of SMs in IMC images of patient muscle
biopsies. In this paper we investigate the use of deep learning (DL) on raw IMC
data to analyse it without any manual pre-processing steps, statistical
summaries or statistical models. For this we first train state-of-art computer
vision DL models on all available image channels, both combined and
individually. We observed better than expected accuracy for many of these
models. We then apply state-of-the-art explainable techniques relevant to
computer vision DL to find the basis of the predictions of these models. Some
of the resulting visual explainable maps highlight features in the images that
appear consistent with the latest hypotheses about mitochondrial disease
progression within myofibres.
- Abstract（参考訳）: ミトコンドリア病は現在、その病理の理解が限られているため治療できない。
骨格筋線維(SM)における各種ミトコンドリア蛋白の発現について検討し, イメージング・マス・サイトメトリー(IMC)を用いてミトコンドリア病理のプロセスを明らかにする。
imcは、細胞内変異を含む組織内のタンパク質のパネルの発現の空間的変化を表す高次元のマルチチャネル擬似画像を生成する。
これらの画像の統計的解析には、患者の筋肉生検のIMC画像に数千のSMの半自動アノテーションが必要である。
本稿では,IMCデータに対する深層学習(DL)を用いた手作業による事前処理,統計要約,統計モデルによる分析について検討する。
このために、我々はまず、利用可能なすべての画像チャンネルで最先端のコンピュータビジョンDLモデルを訓練します。
これらのモデルの多くは,予測精度よりも優れていた。
次に、コンピュータビジョンDLに関連する最新技術を適用し、これらのモデルの予測の基盤を見出す。
その結果得られた視覚的な説明可能な地図のいくつかは、筋線維内のミトコンドリア疾患の進行に関する最新の仮説と一致しているように見える画像の特徴を強調している。
関連論文リスト
- Denoising Diffusion Probabilistic Models for Image Inpainting of Cell
Distributions in the Human Brain [0.0]
そこで本研究では,細胞-体間染色部の光顕微鏡スキャンにより学習した拡散確率モデル(DDPM)を提案する。
訓練したDDPMは,この目的のために非常にリアルな画像情報を生成でき,可塑性細胞統計と細胞構造パターンを生成できることを示す。
論文 参考訳（メタデータ） (2023-11-28T14:34:04Z) - NCL-SM: A Fully Annotated Dataset of Images from Human Skeletal Muscle
Biopsies [1.4183971140167246]
ヒト骨格筋(SM)組織断面の単一細胞解析は、多くの神経筋疾患を理解するための基本的なツールである。
この分析が信頼性と再現性を有するためには、SM組織の顕微鏡像(分画)内の個々の線維の同定を自動的かつ正確に行う必要がある。
完全に自動化され、正確で再現可能なセグメンテーションは、MLモデルをトレーニングすることで可能であると我々は信じている。
本稿では,健常者および遺伝子診断された筋疾患患者から,46個のヒトSM組織横断断面の高品質なバイオイメージングデータセットであるNCL-SMをリリースする。
論文 参考訳（メタデータ） (2023-11-25T20:29:35Z) - Introducing NCL-SM: A Fully Annotated Dataset of Images from Human
Skeletal Muscle Biopsies [1.4183971140167246]
骨格筋(SM)組織の単一細胞解析は、多くの神経筋疾患を理解するための基本的なツールである。
この分析は信頼性と再現性が高いため,SM組織の顕微鏡像(分画)内での個々の線維の同定は正確である。
現在、SM組織断面の画像の自動的かつ正確なセグメンテーションとキュレーションを行うツールやパイプラインは存在しない。
論文 参考訳（メタデータ） (2023-11-18T15:18:38Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - Controllable Mind Visual Diffusion Model [58.83896307930354]
脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。
我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。
CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。
そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
論文 参考訳（メタデータ） (2023-05-17T11:36:40Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - Semi-Supervised Segmentation of Mitochondria from Electron Microscopy
Images Using Spatial Continuity [3.631638087834872]
ミトコンドリアの構造的・形態的・文脈的情報の空間的連続性を利用してミトコンドリアをセグメント化する半教師付き深層学習モデルを提案する。
我々のモデルは、最先端の完全教師付きモデルと同じような性能を達成するが、アノテーション付きトレーニングデータの20%しか必要としない。
論文 参考訳（メタデータ） (2022-06-06T06:52:19Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳（メタデータ） (2022-03-20T21:00:10Z) - Deep Learning models for benign and malign Ocular Tumor Growth
Estimation [3.1558405181807574]
臨床医はしばしば、医用画像データに適した画像処理アルゴリズムを選択する際に問題に直面している。
ここでは、適切なモデルを選択するための戦略を示す。
論文 参考訳（メタデータ） (2021-07-09T05:40:25Z) - Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR
Images using a GAN [59.60954255038335]
提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-06-26T02:50:09Z)
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。