論文の概要: A novel framework employing deep multi-attention channels network for
the autonomous detection of metastasizing cells through fluorescence
microscopy
- arxiv url: http://arxiv.org/abs/2309.00911v1
- Date: Sat, 2 Sep 2023 11:20:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 00:27:26.681261
- Title: A novel framework employing deep multi-attention channels network for
the autonomous detection of metastasizing cells through fluorescence
microscopy
- Title（参考訳）: 蛍光顕微鏡による転移細胞の自律的検出のための深層マルチアテンションチャネルネットワークを用いた新しい枠組み
- Authors: Michail Mamalakis, Sarah C. Macfarlane, Scott V. Notley, Annica K.B
Gad, George Panoutsos
- Abstract要約: 正常細胞と転移細胞を区別できる計算フレームワークを開発した。
この方法は、正常で転移する単細胞においてアクチンとビメンチンフィラメントの空間的構造を示す蛍光顕微鏡画像に依存する。
- 参考スコア（独自算出の注目度）: 0.20999222360659603
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We developed a transparent computational large-scale imaging-based framework
that can distinguish between normal and metastasizing human cells. The method
relies on fluorescence microscopy images showing the spatial organization of
actin and vimentin filaments in normal and metastasizing single cells, using a
combination of multi-attention channels network and global explainable
techniques. We test a classification between normal cells (Bj primary
fibroblast), and their isogenically matched, transformed and invasive
counterpart (BjTertSV40TRasV12). Manual annotation is not trivial to automate
due to the intricacy of the biologically relevant features. In this research,
we utilized established deep learning networks and our new multi-attention
channel architecture. To increase the interpretability of the network - crucial
for this application area - we developed an interpretable global explainable
approach correlating the weighted geometric mean of the total cell images and
their local GradCam scores. The significant results from our analysis
unprecedently allowed a more detailed, and biologically relevant understanding
of the cytoskeletal changes that accompany oncogenic transformation of normal
to invasive and metastasizing cells. We also paved the way for a possible
spatial micrometre-level biomarker for future development of diagnostic tools
against metastasis (spatial distribution of vimentin).
- Abstract（参考訳）: 正常細胞と転移細胞を区別できる透明な大規模イメージングベースのフレームワークを開発した。
本手法は、マルチアテンションチャネルネットワークとグローバル・リゾナブル・テクニックの組み合わせを用いて、正常および転移単細胞におけるアクチンおよびビメンチンフィラメントの空間構造を示す蛍光顕微鏡画像に依存する。
正常細胞(bjプライマリ線維芽細胞)と同化・形質転換・浸潤細胞(bjtertsv40trasv12)の分類を試験した。
手動アノテーションは、生物学的に関連する特徴が複雑であるため、自動化するのは簡単ではない。
本研究では,確立されたディープラーニングネットワークと,新たなマルチアテンションチャネルアーキテクチャを用いた。
ネットワークの解釈可能性を高めるため,我々は全セル画像の重み付け幾何平均とその局所的なgradcamスコアを関連付けた解釈可能なグローバル説明可能なアプローチを開発した。
解析の結果, 正常細胞から浸潤細胞, 転移細胞への腫瘍化に伴う細胞骨格の変化について, より詳細な, 生物学的に関連した理解が得られた。
また,転移(ビメンチンの空間分布)に対する診断ツールの開発に向けて,空間マイクロメートルレベルのバイオマーカーの可能性についても検討した。
関連論文リスト
- CoTCoNet: An Optimized Coupled Transformer-Convolutional Network with an Adaptive Graph Reconstruction for Leukemia Detection [0.3573481101204926]
白血病の分類のためのCoTCoNet(Coupled Transformer Convolutional Network)フレームワークを提案する。
我々のフレームワークは、包括的グローバル特徴とスケーラブルな空間パターンを捉え、複雑で大規模な血液学的特徴の同定を可能にする。
それぞれ0.9894と0.9893のF1スコアレートを達成している。
論文 参考訳（メタデータ） (2024-10-11T13:31:28Z) - CAF-YOLO: A Robust Framework for Multi-Scale Lesion Detection in Biomedical Imagery [0.0682074616451595]
CAF-YOLOは、畳み込みニューラルネットワーク(CNN)とトランスフォーマーの強みを活用する、医学的対象検出のための、巧妙で堅牢な方法である。
ACFMモジュールはグローバル機能とローカル機能の両方のモデリングを強化し、長期的な機能依存のキャプチャを可能にする。
MSNNは多様なスケールにまたがる特徴を抽出することで、マルチスケールの情報集約を改善する。
論文 参考訳（メタデータ） (2024-08-04T01:44:44Z) - Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。
モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文 参考訳（メタデータ） (2024-07-14T04:41:16Z) - 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) - 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) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z) - 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) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Modality Attention and Sampling Enables Deep Learning with Heterogeneous
Marker Combinations in Fluorescence Microscopy [5.334932400937323]
蛍光顕微鏡は、色チャネルとして可視化された様々な慎重に選択されたマーカーで染色することで、細胞、細胞ネットワーク、解剖学的ランドマークの詳細な検査を可能にする。
他の視覚応用におけるディープラーニング手法の成功にもかかわらず、蛍光画像解析の可能性はまだ明らかになっていない。
本稿では,モダリティサンプリング戦略と新しいアテンションモジュールを備えたニューラルネットワーク手法であるMarker Sampling and Exciteを提案する。
論文 参考訳（メタデータ） (2020-08-27T21:57:07Z) - Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。
これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。
生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文 参考訳（メタデータ） (2020-06-22T11:41:57Z)
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。