論文の概要: Learning Channel Importance for High Content Imaging with Interpretable
Deep Input Channel Mixing
- arxiv url: http://arxiv.org/abs/2308.16637v1
- Date: Thu, 31 Aug 2023 11:11:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-01 14:43:58.949783
- Title: Learning Channel Importance for High Content Imaging with Interpretable
Deep Input Channel Mixing
- Title（参考訳）: 解釈可能なディープインプットチャネル混在を用いた高コンテンツイメージングのための学習チャネルの重要性
- Authors: Daniel Siegismund, Mario Wieser, Stephan Heyse, Stephan Steigele
- Abstract要約: 本稿では,高画質画像のマルチスペクトル情報を用いて細胞生物学の一側面を解釈する手法を提案する。
我々は,高画質画像における解釈可能な予測を可能にする,軽量で拡張性があり,エンドツーエンドのトレーニング可能な混合層であるDCmixを紹介する。
- 参考スコア（独自算出の注目度）: 1.2963000794351183
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Uncovering novel drug candidates for treating complex diseases remain one of
the most challenging tasks in early discovery research. To tackle this
challenge, biopharma research established a standardized high content imaging
protocol that tags different cellular compartments per image channel. In order
to judge the experimental outcome, the scientist requires knowledge about the
channel importance with respect to a certain phenotype for decoding the
underlying biology. In contrast to traditional image analysis approaches, such
experiments are nowadays preferably analyzed by deep learning based approaches
which, however, lack crucial information about the channel importance. To
overcome this limitation, we present a novel approach which utilizes
multi-spectral information of high content images to interpret a certain aspect
of cellular biology. To this end, we base our method on image blending concepts
with alpha compositing for an arbitrary number of channels. More specifically,
we introduce DCMIX, a lightweight, scaleable and end-to-end trainable mixing
layer which enables interpretable predictions in high content imaging while
retaining the benefits of deep learning based methods. We employ an extensive
set of experiments on both MNIST and RXRX1 datasets, demonstrating that DCMIX
learns the biologically relevant channel importance without scarifying
prediction performance.
- Abstract（参考訳）: 複雑な疾患を治療するための新しい薬物候補を明らかにすることは、初期の発見研究において最も困難な課題である。
この課題に取り組むために、biopharma researchは、画像チャネルごとに異なるセルコンパートメントをタグ付けする標準化されたハイコンテントイメージングプロトコルを確立した。
実験結果を判断するために、科学者は基礎となる生物学を解読するために特定の表現型に関してチャネルの重要性について知識を必要とする。
従来の画像解析のアプローチとは対照的に、これらの実験は、チャンネルの重要性に関する重要な情報を持たない深層学習に基づくアプローチによって、好ましくは分析される。
この制限を克服するために,高画質画像のマルチスペクトル情報を用いて細胞生物学の特定の側面を解釈する手法を提案する。
そこで我々は,任意の数のチャネルに対してアルファ合成による画像ブレンディングの概念を基礎にしている。
より具体的には、軽量でスケール可能な、エンドツーエンドのトレーニング可能な混合層であるdcmixを紹介し、ディープラーニングベースの方法の利点を保ちながら、ハイコンテントイメージングにおける解釈可能な予測を可能にする。
我々は、MNISTとRXRX1データセットの両方で広範な実験を行い、DCMIXが予測性能を損なうことなく生物学的に関連するチャネルの重要性を学習することを示した。
関連論文リスト
- Private, Efficient and Scalable Kernel Learning for Medical Image Analysis [1.7999333451993955]
OKRA(Orthonormal K-fRAmes)は、カーネルベースの機械学習のための新しいランダム化符号化ベースのアプローチである。
現在の最先端ソリューションと比較して、スケーラビリティとスピードが大幅に向上します。
論文 参考訳（メタデータ） (2024-10-21T10:03:03Z) - ChAda-ViT : Channel Adaptive Attention for Joint Representation Learning of Heterogeneous Microscopy Images [2.954116522244175]
本稿では,Channel Adaptive Vision TransformerアーキテクチャであるChAda-ViTを提案する。
IDRCell100kは7つの顕微鏡モダリティを網羅した79の実験を多用したバイオイメージデータセットである。
我々のアーキテクチャは、自己管理的な方法で訓練され、いくつかの生物学的に関連する下流タスクにおいて、既存のアプローチよりも優れています。
論文 参考訳（メタデータ） (2023-11-26T10:38:47Z) - Attention De-sparsification Matters: Inducing Diversity in Digital
Pathology Representation Learning [31.192429592497692]
DiRLは病理画像のための多様性誘導表現学習技術である。
我々は、ビュー間の複数の対応する表現にマッチするように設計されたSSLのための事前誘導された高密度プリテキストタスクを提案する。
論文 参考訳（メタデータ） (2023-09-12T17:59:10Z) - Synthetic optical coherence tomography angiographs for detailed retinal
vessel segmentation without human annotations [12.571349114534597]
本稿では,より高速でリアルなOCTA合成のために,空間コロニー化に基づく網膜血管網の軽量なシミュレーションを行う。
本研究では,3つの公開データセットに対する定量的および定性的実験において,提案手法の優れたセグメンテーション性能を示す。
論文 参考訳（メタデータ） (2023-06-19T14:01:47Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - Metadata-guided Consistency Learning for High Content Images [1.5207770161985628]
Cross-Domain Consistency Learning (CDCL)は、バッチ効果の存在下で学習できる自己教師型アプローチである。
CDCLは、望ましくないバッチ固有のシグナルを無視しながら、生物学的類似性の学習を強制する。
これらの特徴は形態的変化に応じて組織化され、下流タスクに有用である。
論文 参考訳（メタデータ） (2022-12-22T10:39:10Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Exploring Inter-Channel Correlation for Diversity-preserved
KnowledgeDistillation [91.56643684860062]
ICKD (Inter-Channel correlation for Knowledge Distillation) を開発した。
ICKDは教師ネットワークにおける特徴空間の内在分布と十分な多様性特性をキャプチャする。
我々は,ノウルエッジ蒸留に基づく最初の手法であるResNet18は,ImageNet分類におけるTop-1の精度を72%以上向上させる。
論文 参考訳（メタデータ） (2022-02-08T07:01:56Z) - 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) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z)
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。