論文の概要: A New Graph Node Classification Benchmark: Learning Structure from
Histology Cell Graphs
- arxiv url: http://arxiv.org/abs/2211.06292v1
- Date: Fri, 11 Nov 2022 16:02:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 15:55:16.731694
- Title: A New Graph Node Classification Benchmark: Learning Structure from
Histology Cell Graphs
- Title(参考訳): 新しいグラフノード分類ベンチマーク:組織細胞グラフから構造を学習する
- Authors: Claudia Vanea, Jonathan Campbell, Omri Dodi, Liis Salum\"ae, Karen
Meir, Drorith Hochner-Celnikier, Hagit Hochner, Triin Laisk, Linda M. Ernst,
Cecilia M. Lindgren and Christoffer Nell{\aa}ker
- Abstract要約: 未探索領域におけるノード分類のための新しいベンチマークデータセットであるPlacentaを導入する。
セルグラフのユニークな性質が,新しいグラフニューラルネットワークアーキテクチャの開発に寄与することを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a new benchmark dataset, Placenta, for node classification in an
underexplored domain: predicting microanatomical tissue structures from cell
graphs in placenta histology whole slide images. This problem is uniquely
challenging for graph learning for a few reasons. Cell graphs are large (>1
million nodes per image), node features are varied (64-dimensions of 11 types
of cells), class labels are imbalanced (9 classes ranging from 0.21% of the
data to 40.0%), and cellular communities cluster into heterogeneously
distributed tissues of widely varying sizes (from 11 nodes to 44,671 nodes for
a single structure). Here, we release a dataset consisting of two cell graphs
from two placenta histology images totalling 2,395,747 nodes, 799,745 of which
have ground truth labels. We present inductive benchmark results for 7 scalable
models and show how the unique qualities of cell graphs can help drive the
development of novel graph neural network architectures.
- Abstract(参考訳): そこで我々はPlacentaという新しいベンチマークデータセットを導入し,Placentaの組織像全体の細胞グラフから微小解剖学的組織構造を予測した。
この問題はグラフ学習においていくつかの理由からユニークな課題である。
細胞グラフは大きい(画像当たり100万ノード)、ノードの特徴は様々(11種類の細胞で64次元)、クラスラベルは不均衡(データの0.21%から40.0%まで9クラス)、細胞コミュニティは広く異なるサイズ(単一の構造では11ノードから44,671ノードまで)で均質に分散した組織にクラスターする。
ここでは,2つの胎盤組織像から得られた2つのセルグラフからなるデータセットを,総計2,395,747ノード(799,745ノード)で公開する。
7つのスケーラブルなモデルのインダクティブベンチマーク結果を示し、セルグラフのユニークな性質が、新しいグラフニューラルネットワークアーキテクチャの開発にどのように役立つかを示す。
関連論文リスト
- Why Attention Graphs Are All We Need: Pioneering Hierarchical
Classification of Hematologic Cell Populations with LeukoGraph [0.9499648210774584]
LeukoGraphは先駆的な取り組みであり、グラフ上の階層的推論のためのグラフニューラルネットワーク(GNN)の適用をマークしている。
LeukoGraphは、例えば4つの異なる細胞集団が平坦な分類を行うような分類パラダイムを複雑に扱う。
LeukoGraphの顕著な業績は、98%のFスコアであり、最先端の手法を大きく上回っている。
論文 参考訳(メタデータ) (2024-02-28T15:10:25Z) - A Comparative Study of Population-Graph Construction Methods and Graph
Neural Networks for Brain Age Regression [48.97251676778599]
医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。
人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある
本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
論文 参考訳(メタデータ) (2023-09-26T10:30:45Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-06-14T09:21:15Z) - Beyond Homophily: Reconstructing Structure for Graph-agnostic Clustering [15.764819403555512]
グラフを好適なGNNモデルが見つかる前に、まずホモ親和性あるいはヘテロ親和性として識別することは不可能である。
本稿では,グラフ再構成,混合フィルタ,二重グラフクラスタリングネットワークという3つの重要な要素を含むグラフクラスタリング手法を提案する。
我々の手法は異種グラフ上で他者を支配している。
論文 参考訳(メタデータ) (2023-05-03T01:49:01Z) - Geometer: Graph Few-Shot Class-Incremental Learning via Prototype
Representation [50.772432242082914]
既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。
本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。
完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
論文 参考訳(メタデータ) (2022-05-27T13:02:07Z) - Incorporating Heterophily into Graph Neural Networks for Graph Classification [6.709862924279403]
グラフニューラルネットワーク(GNN)は、しばしばグラフ分類において強いホモフィリを仮定し、ヘテロフィリを考えることは滅多にない。
We developed a novel GNN architecture called IHGNN (short for Incorporated Heterophily into Graph Neural Networks)
我々は、様々なグラフデータセット上でIHGNNを実証的に検証し、グラフ分類のための最先端のGNNよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-03-15T06:48:35Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳(メタデータ) (2021-12-23T12:17:47Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳(メタデータ) (2021-12-12T14:18:18Z) - Hierarchical Graph Capsule Network [78.4325268572233]
ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。
階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
論文 参考訳(メタデータ) (2020-12-16T04:13:26Z) - Robust Hierarchical Graph Classification with Subgraph Attention [18.7475578342125]
本稿では,グラフに対するサブグラフアテンションの概念を紹介する。
本稿では,SubGattPoolというグラフ分類アルゴリズムを提案する。
SubGattPoolは、最先端のグラフ分類データセットを改善することができるか、あるいは、複数の公開グラフ分類データセットで競争力を維持することができることを示す。
論文 参考訳(メタデータ) (2020-07-19T10:03:06Z)
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。