Fugu-MT 論文翻訳(概要): VOLTA: an Environment-Aware Contrastive Cell Representation Learning for Histopathology

論文の概要: VOLTA: an Environment-Aware Contrastive Cell Representation Learning for Histopathology

arxiv url: http://arxiv.org/abs/2303.04696v1
Date: Wed, 8 Mar 2023 16:35:47 GMT
ステータス: 処理完了
システム内更新日: 2023-03-09 13:21:05.981296
Title: VOLTA: an Environment-Aware Contrastive Cell Representation Learning for Histopathology
Title（参考訳）: VOLTA: 環境に配慮した病理組織学のためのコントラスト細胞表現学習
Authors: Ramin Nakhli, Allen Zhang, Hossein Farahani, Amirali Darbandsari, Elahe Shenasa, Sidney Thiessen, Katy Milne, Jessica McAlpine, Brad Nelson, C Blake Gilks, Ali Bashashati
Abstract要約: 病理組織像における細胞表現学習のための自己組織化フレームワーク(VOLTA)を提案する。我々は、世界中の複数の機関から収集されたデータに関する広範な実験にモデルを適用した。提案フレームワークの有効性を明らかにするため, 卵巣癌および子宮内膜癌にVOLTAを応用した。
参考スコア（独自算出の注目度）: 0.3436781233454516
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In clinical practice, many diagnosis tasks rely on the identification of cells in histopathology images. While supervised machine learning techniques require labels, providing manual cell annotations is time-consuming due to the large number of cells. In this paper, we propose a self-supervised framework (VOLTA) for cell representation learning in histopathology images using a novel technique that accounts for the cell's mutual relationship with its environment for improved cell representations. We subjected our model to extensive experiments on the data collected from multiple institutions around the world comprising of over 700,000 cells, four cancer types, and cell types ranging from three to six categories for each dataset. The results show that our model outperforms the state-of-the-art models in cell representation learning. To showcase the potential power of our proposed framework, we applied VOLTA to ovarian and endometrial cancers with very small sample sizes (10-20 samples) and demonstrated that our cell representations can be utilized to identify the known histotypes of ovarian cancer and provide novel insights that link histopathology and molecular subtypes of endometrial cancer. Unlike supervised deep learning models that require large sample sizes for training, we provide a framework that can empower new discoveries without any annotation data in situations where sample sizes are limited.
Abstract（参考訳）: 臨床では、多くの診断タスクは病理組織像中の細胞の同定に依存する。教師付き機械学習技術はラベルを必要とするが、多数のセルのために手動のセルアノテーションを提供するのに時間がかかる。本稿では,細胞表現の環境との相互関係を考慮に入れた新しい手法を用いて,細胞表現学習のための自己教師型フレームワーク(VOLTA)を提案する。我々は,70,000以上の細胞,4種類の癌,および各データセットの3～6つのカテゴリからなる世界中の複数の機関から収集されたデータに関する広範な実験を行った。その結果,細胞表現学習において,我々のモデルは最先端のモデルよりも優れていた。提案フレームワークの潜在能力を実証するため,非常に小さなサンプルサイズ(10-20サンプル)の卵巣癌および子宮内膜癌にVOLTAを適用し,卵巣癌の既往の組織型を同定し,子宮内膜癌の病理組織と分子サブタイプを関連づける新たな知見を提供することができた。トレーニング用に大規模なサンプルサイズを必要とする教師付きディープラーニングモデルとは異なり、サンプルサイズが制限された状況において、アノテーションデータなしで新しい発見を促進するフレームワークを提供する。

関連論文リスト

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)
A Nasal Cytology Dataset for Object Detection and Deep Learning [0.0]
NCD (Nasal Cytology dataset) というサイ細胞野画像の最初のデータセットを提示する。鼻粘膜に分布する細胞型の実際の分布は複製され、臨床患者のスライドから画像を集め、それぞれの細胞に手動で注釈を付ける。この研究は、鼻粘膜細胞の自動検出と分類を支援する新しい機械学習ベースのアプローチを提案することで、オープンな課題のいくつかに寄与する。
論文参考訳（メタデータ） (2024-04-21T19:02:38Z)
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)
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)
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)
Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文参考訳（メタデータ） (2023-03-15T14:00:11Z)
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)
Interpretable Single-Cell Set Classification with Kernel Mean Embeddings [14.686560033030101]
Kernel Mean Embeddingは、各プロファイルされた生物学的サンプルの細胞景観をエンコードする。簡単な線形分類器を訓練し、3つのフローおよび質量データセットの最先端の分類精度を実現する。
論文参考訳（メタデータ） (2022-01-18T21:40:36Z)
Self-Supervised Representation Learning using Visual Field Expansion on Digital Pathology [7.568373895297608]
このような画像を分析する上で重要な課題は、そのサイズであり、そのサイズはギガピクセルに収まる。本稿では,このようなタイルの強力な表現を学習し,視界を確実に拡張する新しい生成フレームワークを提案する。我々のモデルは、異なる臨床エンドポイントに使用できる強力な表現を同時に学習しながら、細部で異なる組織タイプを生成することを学習する。
論文参考訳（メタデータ） (2021-09-07T19:20:01Z)
Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文参考訳（メタデータ） (2020-10-20T08:36:51Z)
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)

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。