論文の概要: CLANet: A Comprehensive Framework for Cross-Batch Cell Line
Identification Using Brightfield Images
- arxiv url: http://arxiv.org/abs/2306.16538v1
- Date: Wed, 28 Jun 2023 20:24:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-30 15:46:27.707517
- Title: CLANet: A Comprehensive Framework for Cross-Batch Cell Line
Identification Using Brightfield Images
- Title(参考訳): CLANet: ブライトフィールド画像を用いたクロスバッチセルライン識別のための総合的フレームワーク
- Authors: Lei Tong, Adam Corrigan, Navin Rathna Kumar, Kerry Hallbrook, Jonathan
Orme, Yinhai Wang, Huiyu Zhou
- Abstract要約: 我々はCLANetを紹介した。CLANetは、明視野画像を用いたクロスバッチセルライン識別の先駆的なフレームワークである。
本稿では,セル密度の変動を効率的に把握するためのセルクラスタレベルの選択法と,画像品質の変動を管理するための自己教師付き学習戦略を提案する。
我々は、AstraZeneca Global Cell Bankの93の実験バッチにわたる32のセルラインのデータを用いて、CLANetを検証する。
- 参考スコア(独自算出の注目度): 21.660573230005173
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cell line authentication plays a crucial role in the biomedical field,
ensuring researchers work with accurately identified cells. Supervised deep
learning has made remarkable strides in cell line identification by studying
cell morphological features through cell imaging. However, batch effects, a
significant issue stemming from the different times at which data is generated,
lead to substantial shifts in the underlying data distribution, thus
complicating reliable differentiation between cell lines from distinct batch
cultures. To address this challenge, we introduce CLANet, a pioneering
framework for cross-batch cell line identification using brightfield images,
specifically designed to tackle three distinct batch effects. We propose a cell
cluster-level selection method to efficiently capture cell density variations,
and a self-supervised learning strategy to manage image quality variations,
thus producing reliable patch representations. Additionally, we adopt multiple
instance learning(MIL) for effective aggregation of instance-level features for
cell line identification. Our innovative time-series segment sampling module
further enhances MIL's feature-learning capabilities, mitigating biases from
varying incubation times across batches. We validate CLANet using data from 32
cell lines across 93 experimental batches from the AstraZeneca Global Cell
Bank. Our results show that CLANet outperforms related approaches (e.g. domain
adaptation, MIL), demonstrating its effectiveness in addressing batch effects
in cell line identification.
- Abstract(参考訳): 細胞線認証は、生物医学の分野で重要な役割を担っており、研究者が正確に同定された細胞を扱うことを保証する。
教師付き深層学習は、細胞イメージングによる細胞形態学的特徴の研究により、細胞株の同定において顕著な進歩を遂げた。
しかし、データが生成される異なる時間から生じる重要な問題であるバッチ効果は、基礎となるデータ分布に大きな変化をもたらし、異なるバッチ培養から細胞列間の信頼性の高い分化を複雑にする。
この課題に対処するために,我々は,brightfieldイメージを用いたクロスバッチセルライン識別のための先駆的フレームワークであるclangtを紹介する。
本稿では,セル密度の変動を効率的に把握するセルクラスタレベルの選択手法と,画像品質の変動を管理する自己教師型学習戦略を提案する。
さらに,複数のインスタンス学習(MIL)を,セルライン識別のためのインスタンスレベルの特徴を効果的に集約するために採用する。
当社の革新的な時系列セグメントサンプリングモジュールは,バッチ間のインキュベーション時間の違いによるバイアスを軽減し,milの機能学習能力をさらに向上させる。
astrazenecaグローバルセルバンクの93の実験バッチにわたる32のセルラインのデータを用いて、clangetを検証する。
以上の結果から,CLANetは関連するアプローチ(ドメイン適応,MILなど)よりも優れており,細胞株同定におけるバッチ効果に対処する効果が示された。
関連論文リスト
- 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) - CellMixer: Annotation-free Semantic Cell Segmentation of Heterogeneous
Cell Populations [9.335273591976648]
異種細胞集団のセマンティックセグメンテーションのための革新的なアノテーションのないアプローチであるCellMixerを提案する。
以上の結果から,CellMixerは複数のセルタイプにまたがる競合セグメンテーション性能と画像モダリティを実現することができることがわかった。
論文 参考訳(メタデータ) (2023-12-01T15:50:20Z) - 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) - Single-cell Multi-view Clustering via Community Detection with Unknown
Number of Clusters [64.31109141089598]
シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。
scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。
3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
論文 参考訳(メタデータ) (2023-11-28T08:34:58Z) - Mixed Models with Multiple Instance Learning [51.440557223100164]
一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。
実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
論文 参考訳(メタデータ) (2023-11-04T16:42:42Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - DeGPR: Deep Guided Posterior Regularization for Multi-Class Cell
Detection and Counting [14.222014969736993]
マルチクラス細胞検出とカウントは多くの病理診断に必須の課題である。
本稿では,細胞間における識別的特徴の活用を誘導することにより,物体検出を支援するガイド付き後部正則化(DeGPR)を提案する。
2つの公開データセットと、コントリビュートした新しいデータセットであるMuCeD上で、私たちのモデルを検証します。
論文 参考訳(メタデータ) (2023-04-03T06:25:45Z) - Advanced Multi-Microscopic Views Cell Semi-supervised Segmentation [0.0]
深層学習(DL)は細胞セグメンテーションタスクにおいて強力なポテンシャルを示すが、一般化が不十分である。
本稿では,Multi-Microscopic-view Cell semi-supervised (MMCS) と呼ばれる,新しい半教師付き細胞分割法を提案する。
MMCSは、マイクロスコープの異なる低ラベルの多姿勢細胞画像を用いて、細胞セグメンテーションモデルを訓練することができる。
F1スコアは0.8239であり、全てのケースのランニング時間は許容時間の範囲内である。
論文 参考訳(メタデータ) (2023-03-21T08:08:13Z) - Deep Learning Enabled Time-Lapse 3D Cell Analysis [7.094247258573337]
本稿では, タイムラプスな3Dセル解析手法を提案する。
そこで我々は,細胞下の特徴を正確に局所化し,定量的に分析する問題を考察した。
コードはGithubで入手でき、このメソッドはBisQueポータル経由でサービスとして利用できる。
論文 参考訳(メタデータ) (2022-08-17T00:07:25Z) - Split and Expand: An inference-time improvement for Weakly Supervised
Cell Instance Segmentation [71.50526869670716]
本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。
Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。
拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
論文 参考訳(メタデータ) (2020-07-21T14:05:09Z) - Learning to segment clustered amoeboid cells from brightfield microscopy
via multi-task learning with adaptive weight selection [6.836162272841265]
マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。
ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。
検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
論文 参考訳(メタデータ) (2020-05-19T11:31:53Z)
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。