論文の概要: An automated pipeline to create an atlas of in situ hybridization gene
expression data in the adult marmoset brain
- arxiv url: http://arxiv.org/abs/2303.06857v1
- Date: Mon, 13 Mar 2023 05:02:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 16:22:05.278258
- Title: An automated pipeline to create an atlas of in situ hybridization gene
expression data in the adult marmoset brain
- Title（参考訳）: 成人マーモセット脳におけるin situハイブリダイゼーション遺伝子発現データのアトラス作成のための自動化パイプライン
- Authors: Charissa Poon, Muhammad Febrian Rachmadi, Michal Byra, Matthias
Schlachter, Binbin Xu, Tomomi Shimogori, Henrik Skibbe
- Abstract要約: 成人マーモセット脳におけるin situハイブリダイゼーション遺伝子の発現のアトラスを作成するための最初の自動パイプラインを提示する。
パイプラインは、顕微鏡画像からの遺伝子発現のセグメンテーションと、標準空間への画像の登録から構成される。
- 参考スコア（独自算出の注目度）: 1.2160831070561993
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present the first automated pipeline to create an atlas of in situ
hybridization gene expression in the adult marmoset brain in the same
stereotaxic space. The pipeline consists of segmentation of gene expression
from microscopy images and registration of images to a standard space.
Automation of this pipeline is necessary to analyze the large volume of data in
the genome-wide whole-brain dataset, and to process images that have varying
intensity profiles and expression patterns with minimal human bias. To reduce
the number of labelled images required for training, we develop a
semi-supervised segmentation model. We further develop an iterative algorithm
to register images to a standard space, enabling comparative analysis between
genes and concurrent visualization with other datasets, thereby facilitating a
more holistic understanding of primate brain structure and function.
- Abstract（参考訳）: 成人マーモセット脳におけるin situハイブリダイゼーション遺伝子の発現のアトラスを同一の立体構造空間で生成する最初の自動パイプラインを提示する。
このパイプラインは、顕微鏡画像からの遺伝子発現のセグメンテーションと、画像の標準空間への登録からなる。
このパイプラインの自動化は、ゲノム全体の全脳データセットで大量のデータを解析し、様々な強度プロファイルと表現パターンを持つ画像を人間のバイアスを最小限に抑えるために必要である。
学習に必要なラベル付き画像数を減らすため,半教師付きセグメンテーションモデルを開発した。
さらに、画像を標準空間に登録する反復アルゴリズムを開発し、遺伝子間の比較分析と他のデータセットとの同時可視化を可能にし、霊長類脳の構造と機能に関するより包括的な理解を容易にする。
関連論文リスト
- Multi-modal Spatial Clustering for Spatial Transcriptomics Utilizing High-resolution Histology Images [1.3124513975412255]
空間転写学(spatial transcriptomics, ST)は、空間的文脈を保ちながら、転写産物全体の遺伝子発現プロファイリングを可能にする。
現在の空間クラスタリング法では、高解像度の組織像と遺伝子発現データを完全に統合することができない。
本稿では、遺伝子発現データと組織像の特徴を融合した、新しいコントラスト学習に基づく深層学習手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T00:32:24Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - 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) - Implicit neural representations for joint decomposition and registration
of gene expression images in the marmoset brain [0.9940728137241215]
暗黙的ニューラル表現に基づく新しい画像登録手法を提案し、脳画像のペアを登録する。
実験では,提案手法は優れた結果を与え,他の登録手法よりも優れていた。
論文 参考訳（メタデータ） (2023-08-08T04:30:42Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳（メタデータ） (2023-04-19T13:45:28Z) - 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) - From augmented microscopy to the topological transformer: a new approach
in cell image analysis for Alzheimer's research [0.0]
細胞画像解析は、細胞機能を抑制するA$beta$タンパク質の存在を検出するために、アルツハイマーの研究において重要である。
Unetは,マルチクラスセマンティックスセグメンテーションの性能を比較することで,拡張顕微鏡に最も適していることがわかった。
我々は,Unetモデルを用いて,光電場画像中の原子核を捕捉する拡張顕微鏡法を開発し,入力画像を位相情報列に変換する。
論文 参考訳（メタデータ） (2021-08-03T16:59:33Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z)
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。