論文の概要: Masked conditional variational autoencoders for chromosome straightening
- arxiv url: http://arxiv.org/abs/2306.14129v1
- Date: Sun, 25 Jun 2023 05:11:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-06-27 16:44:19.552982
- Title: Masked conditional variational autoencoders for chromosome straightening
- Title（参考訳）: 染色体ストレートニングのための仮設条件変分オートエンコーダ
- Authors: Jingxiong Li, Sunyi Zheng, Zhongyi Shui, Shichuan Zhang, Linyi Yang,
Yuxuan Sun, Yunlong Zhang, Honglin Li, Yuanxin Ye, Peter M.A. van Ooijen,
Kang Li, Lin Yang
- Abstract要約: 核タイピングはヒト疾患における染色体異常の検出に重要である。
染色体は顕微鏡画像に容易に湾曲し、細胞遺伝学者が染色体の型を分析するのを防ぐ。
本稿では,前処理アルゴリズムと生成モデルを組み合わせた染色体ストレート化の枠組みを提案する。
- 参考スコア（独自算出の注目度）: 14.665481276886194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Karyotyping is of importance for detecting chromosomal aberrations in human
disease. However, chromosomes easily appear curved in microscopic images, which
prevents cytogeneticists from analyzing chromosome types. To address this
issue, we propose a framework for chromosome straightening, which comprises a
preliminary processing algorithm and a generative model called masked
conditional variational autoencoders (MC-VAE). The processing method utilizes
patch rearrangement to address the difficulty in erasing low degrees of
curvature, providing reasonable preliminary results for the MC-VAE. The MC-VAE
further straightens the results by leveraging chromosome patches conditioned on
their curvatures to learn the mapping between banding patterns and conditions.
During model training, we apply a masking strategy with a high masking ratio to
train the MC-VAE with eliminated redundancy. This yields a non-trivial
reconstruction task, allowing the model to effectively preserve chromosome
banding patterns and structure details in the reconstructed results. Extensive
experiments on three public datasets with two stain styles show that our
framework surpasses the performance of state-of-the-art methods in retaining
banding patterns and structure details. Compared to using real-world bent
chromosomes, the use of high-quality straightened chromosomes generated by our
proposed method can improve the performance of various deep learning models for
chromosome classification by a large margin. Such a straightening approach has
the potential to be combined with other karyotyping systems to assist
cytogeneticists in chromosome analysis.
- Abstract（参考訳）: カリオタイピングはヒト疾患における染色体異常の検出に重要である。
しかし、染色体は顕微鏡画像に容易に湾曲し、細胞遺伝学者が染色体の型を分析するのを防ぐ。
そこで本研究では,仮処理アルゴリズムとマスキング条件変動オートエンコーダ(mc-vae)と呼ばれる生成モデルからなる染色体直線化の枠組みを提案する。
この処理方法はパッチ再構成を利用して、低次曲率の消去の難しさに対処し、MC-VAEに対して合理的な予備結果を与える。
mc-vaeは、曲率を調節した染色体パッチを利用して、結束パターンと条件のマッピングを学ぶことで、結果をさらに直線化する。
モデルトレーニングでは,高マスキング比のマスキング戦略を適用し,冗長性を排除したMC-VAEのトレーニングを行う。
これにより、非自明な再構成作業が得られ、再構成結果における染色体バンドリングパターンと構造の詳細を効果的に保存することができる。
2つのステンドスタイルを持つ3つの公開データセットに対する大規模な実験により、我々のフレームワークはバンドリングパターンと構造の詳細を維持するための最先端の手法の性能を上回ることを示した。
実世界のベント染色体と比較して,提案手法によって生成された高品質のストレート化染色体を用いることで,染色体分類のための様々な深層学習モデルの性能を大きなマージンで向上させることができる。
このようなストレート化アプローチは、染色体解析において細胞遺伝学者を助けるために他の核型システムと組み合わせられる可能性がある。
関連論文リスト
- Supervised Contrastive Learning for Fine-grained Chromosome Recognition [7.427070103487921]
染色体認識は核タイピングにおいて必須の課題であり、出生時欠陥診断や生医学研究において重要な役割を担っている。
既存の分類法は、染色体のクラス間類似性とクラス内変異のために重大な課題に直面している。
そこで本研究では,信頼性染色体分類のためのモデルに依存しない深層ネットワークを訓練するための教師付きコントラスト学習戦略を提案する。
論文 参考訳（メタデータ） (2023-12-12T06:12:21Z) - 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) - Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral
Fracture Grading [72.45699658852304]
本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。
フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。
重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
論文 参考訳（メタデータ） (2023-03-21T17:16:01Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳（メタデータ） (2022-11-12T23:28:54Z) - ChrSNet: Chromosome Straightening using Self-attention Guided Networks [7.335018936053776]
染色体の曲率を消去する自己注意ガイドフレームワークを提案する。
提案手法は空間情報と局所テクスチャを抽出し,バンドリングパターンを保存する。
本稿では,染色体長の維持と染色体の歪みの回復に要する2つの厳密な幾何学的制約を提案する。
論文 参考訳（メタデータ） (2022-07-01T02:19:49Z) - A Robust Framework of Chromosome Straightening with ViT-Patch GAN [5.657051014432275]
染色体ストレートニングは, その後の核型構築, 病理診断, 細胞遺伝地図形成にとって重要なステップである。
本稿では、自己学習型モーショントランスフォーメーションジェネレータとViT-Patchベースのパッチ(ViT-Patch)識別器からなる新しいアーキテクチャ、ViT-Patch GANを提案する。
提案手法は,Fr'eche't Inception Distance (FID), Learned Perceptual Image Patch similarity (LPIPS) および下流染色体分類精度の向上を実現し,大規模なデータセットに対して優れた一般化能力を示す。
論文 参考訳（メタデータ） (2022-03-06T07:58:36Z) - A Novel Application of Image-to-Image Translation: Chromosome
Straightening Framework by Learning from a Single Image [3.7769813168959527]
染色体直線化は、染色体の病理研究や細胞遺伝地図の発達において重要な役割を担っている。
本研究では、画像から画像への変換に基づく新しいフレームワークを提案し、直交染色体の合成のための関連するマッピング依存性を学習する。
論文 参考訳（メタデータ） (2021-03-04T05:05:41Z) - 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) - Adversarial Multiscale Feature Learning for Overlapping Chromosome
Segmentation [6.180155406275231]
染色体核型解析は疾患の診断と治療において非常に臨床的に重要である。
染色体のストリップ形状のため、画像化すると簡単に互いに重複します。
重なり合う染色体セグメンテーションの精度と適応性を向上させるために, 対角的マルチスケール特徴学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-22T06:04:22Z) - 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。