論文の概要: An AI-Ready Multiplex Staining Dataset for Reproducible and Accurate Characterization of Tumor Immune Microenvironment

• arxiv url: http://arxiv.org/abs/2305.16465v1
• Date: Thu, 25 May 2023 20:42:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 18:15:44.418254
• Title: An AI-Ready Multiplex Staining Dataset for Reproducible and Accurate Characterization of Tumor Immune Microenvironment
• Title（参考訳）: 腫瘍免疫マイクロ環境の再現性と正確な評価のためのAI-Ready Multix Staining Dataset
• Authors: Parmida Ghahremani, Joseph Marino, Juan Hernandez-Prera, Janis V. de la Iglesia, Robbert JC Slebos, Christine H. Chung and Saad Nadeem
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.595983383242494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a new AI-ready computational pathology dataset containing restained and co-registered digitized images from eight head-and-neck squamous cell carcinoma patients. Specifically, the same tumor sections were stained with the expensive multiplex immunofluorescence (mIF) assay first and then restained with cheaper multiplex immunohistochemistry (mIHC). This is a first public dataset that demonstrates the equivalence of these two staining methods which in turn allows several use cases; due to the equivalence, our cheaper mIHC staining protocol can offset the need for expensive mIF staining/scanning which requires highly-skilled lab technicians. As opposed to subjective and error-prone immune cell annotations from individual pathologists (disagreement > 50%) to drive SOTA deep learning approaches, this dataset provides objective immune and tumor cell annotations via mIF/mIHC restaining for more reproducible and accurate characterization of tumor immune microenvironment (e.g. for immunotherapy). We demonstrate the effectiveness of this dataset in three use cases: (1) IHC quantification of CD3/CD8 tumor-infiltrating lymphocytes via style transfer, (2) virtual translation of cheap mIHC stains to more expensive mIF stains, and (3) virtual tumor/immune cellular phenotyping on standard hematoxylin images. The dataset is available at \url{https://github.com/nadeemlab/DeepLIIF}.
• Abstract（参考訳）: 頭頸部扁平上皮癌8例のデジタル化画像と再登録画像を含む新しいai対応計算病理データセットについて紹介する。 特に, 腫瘍部位は, 高価な多重蛍光法 (mIF) で染色した後, 安価な多重免疫組織化学法 (mIHC) で残留した。 これは、これらの2つの染色方法の等価性を示す最初の公開データセットであり、その結果、いくつかのユースケースが可能となる: 等価性のため、我々の安価なmihc染色プロトコルは、高度に熟練した実験室技術者を必要とする高価なmif染色/走査の必要性を相殺することができる。 このデータセットは、SOTAの深層学習アプローチを推進するために、個々の病理学者(診断 > 50%)による主観的およびエラーを起こしやすい免疫細胞アノテーションとは対照的に、mIF/mIHCによる客観的な免疫細胞アノテーションを提供し、より再現性が高く正確な腫瘍免疫ミクロ環境(例えば、免疫療法)のキャラクタリゼーションを提供する。 本データセットの有効性は,(1)CD3/CD8腫瘍浸潤リンパ球のIHC定量化,(2)安価なmIF染色へのmIHC染色の仮想翻訳,(3)標準ヘマトキシリン画像上での仮想腫瘍/免疫細胞表現の3つのユースケースで実証された。 データセットは \url{https://github.com/nadeemlab/deepliif} で利用可能である。

関連論文リスト

• A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification [1.024113475677323]
  白血病は、顕微鏡で血液や骨髄の腫れを分析して診断され、さらなる細胞化学的検査によって確認される。 深層学習は、白血病細胞の検出を補助する、顕微鏡スミア画像を分類する高度な方法を提供している。 本研究では,急性リンパ性白血病(ALL)の分類のためのハイブリッドディープラーニングモデルを構築した。 提案手法は、ALL-IDB1データセットで100%、ALL-IDB2データセットで98.07%、組み合わせたデータセットで98.64%という顕著な検出精度を達成した。
  論文  参考訳（メタデータ） (2024-10-18T15:23:34Z)
• 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)
• Immunocto: a massive immune cell database auto-generated for histopathology [0.0]
  我々は,6,848,454個のヒト細胞を自動生成する大量のデータベースであるImmuctoを紹介した。 我々は64$times$64ピクセルのH&E画像を$mathbf40times$imagcationで提供し、核とラベルのバイナリマスクも提供します。 それぞれのセルに対して、64$times$64ピクセルのH&E画像を$mathbf40times$倍率で提供し、核とラベルのバイナリマスクを提供します。
  論文  参考訳（メタデータ） (2024-06-03T17:03:58Z)
• 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)
• HoechstGAN: Virtual Lymphocyte Staining Using Generative Adversarial Networks [10.043946236248392]
  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。
  論文  参考訳（メタデータ） (2022-10-13T11:23:19Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• 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)
• Hoechst Is All You Need: LymphocyteClassification with Deep Learning [15.530447606593238]
  フーチスト染色はより安価で実行が容易であるが、この場合、免疫蛍光技術によって標的となるタンパク質よりもDNAに結合するため、一般的には使われない。 以前は、DNA形態のみに基づいてこれらのタンパク質を発現する細胞を区別することは不可能であった。 この研究では、ディープ畳み込みニューラルネットワークをトレーニングし、90%以上の精度で3つのタンパク質を発現する細胞を同定し、リコールする。
  論文  参考訳（メタデータ） (2021-07-09T12:33:22Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
  ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。 本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
  論文  参考訳（メタデータ） (2020-06-28T19:55:34Z)
• 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。