Fugu-MT 論文翻訳(概要): Apoptosis classification using attention based spatio temporal graph convolution neural network

論文の概要: Apoptosis classification using attention based spatio temporal graph convolution neural network

arxiv url: http://arxiv.org/abs/2311.09623v1
Date: Thu, 16 Nov 2023 07:14:50 GMT
ステータス: 処理完了
システム内更新日: 2023-11-17 15:57:29.519038
Title: Apoptosis classification using attention based spatio temporal graph convolution neural network
Title（参考訳）: 注意に基づく時空間グラフ畳み込みニューラルネットワークを用いたアポトーシス分類
Authors: Akash Awasthi
Abstract要約: 本稿では,ビデオ中の標的細胞に基づいて細胞死を分類するアテンショングラフ・テンポラルグラフ畳み込みネットワークを提案する。ビデオ全体のシーケンスをグラフの集合としてモデル化し、ビデオ中のターゲットセルを死か生きているかとして分類する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate classification of apoptosis plays an important role in cell biology research. There are many state-of-the-art approaches which use deep CNNs to perform the apoptosis classification but these approaches do not account for the cell interaction. Our paper proposes the Attention Graph spatio-temporal graph convolutional network to classify the cell death based on the target cells in the video. This method considers the interaction of multiple target cells at each time stamp. We model the whole video sequence as a set of graphs and classify the target cell in the video as dead or alive. Our method encounters both spatial and temporal relationships.
Abstract（参考訳）: アポトーシスの正確な分類は細胞生物学研究において重要な役割を果たす。アポトーシス分類を行うために深層CNNを用いる最先端のアプローチは数多く存在するが、これらのアプローチは細胞間相互作用を考慮しない。本稿では,ビデオ中の標的細胞に基づいて細胞死を分類するアテンショングラフ時空間グラフ畳み込みネットワークを提案する。この方法は、各タイムスタンプにおける複数の標的細胞の相互作用を考察する。ビデオシーケンス全体をグラフのセットとしてモデル化し、ビデオ内のターゲットセルをデッドまたはライブに分類する。我々の手法は空間的・時間的関係に遭遇する。

関連論文リスト

Multicell-Fold: geometric learning in folding multicellular life [0.34952465649465553]
細胞群が特定の構造にどのように折り畳むかは、生物がどのように形成されるかを定義する生物学の中心的な問題である。マルチセルの折り畳みや胚発生を予測できる幾何学的深層学習モデルを提案する。我々は,4次元形態素配列アライメントの解釈と局所的な細胞再構成の予測という,2つの重要な課題を達成するために,我々のモデルをうまく利用した。
論文参考訳（メタデータ） (2024-07-09T17:21:49Z)
Cell Graph Transformer for Nuclei Classification [78.47566396839628]
我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
論文参考訳（メタデータ） (2024-02-20T12:01:30Z)
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)
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)
Graph Neural Network for Cell Tracking in Microscopy Videos [0.0]
顕微鏡ビデオにおける細胞追跡のための新しいグラフニューラルネットワーク(GNN)を提案する。タイムラプスシーケンス全体を直接グラフとしてモデル化することにより,セルトラジェクトリの集合全体を抽出する。我々は、異なる生体細胞のインスタンスを区別する細胞特徴ベクトルを抽出するために、ディープメトリック学習アルゴリズムを利用する。
論文参考訳（メタデータ） (2022-02-09T21:21:48Z)
Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文参考訳（メタデータ） (2021-12-23T12:17:47Z)
Developmental Stage Classification of EmbryosUsing Two-Stream Neural Network with Linear-Chain Conditional Random Field [74.53314729742966]
発達段階分類のための2ストリームモデルを提案する。従来の手法とは異なり、2ストリームモデルでは時間情報と画像情報の両方を受け付けている。 2つのタイムラプス胚ビデオデータセット上で,本アルゴリズムを実証する。
論文参考訳（メタデータ） (2021-07-13T19:56:01Z)
Hierarchical Phenotyping and Graph Modeling of Spatial Architecture in Lymphoid Neoplasms [7.229065627904531]
この研究は、セルコンポーネントのオーケストレーションと相互作用をプロファイリングするための、ローカルグラフとグローバルグラフをハイブリッドする最初の試みの一つである。提案アルゴリズムは,繰り返し5倍のクロスバリデーション方式を用いて0.703の平均診断精度を実現する。
論文参考訳（メタデータ） (2021-06-30T16:09:32Z)
Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文参考訳（メタデータ） (2021-04-15T14:32:12Z)
AttentionNAS: Spatiotemporal Attention Cell Search for Video Classification [86.64702967379709]
本稿では,時間的注意のための新しい検索空間を提案する。これにより,検索アルゴリズムはセルの様々な設計選択を柔軟に探索することができる。検出されたアテンションセルは既存のバックボーンネットワーク(例えばI3DやS3D)にシームレスに挿入することができ、Kinetics-600とMiTのデータセットでビデオの精度を2%以上改善することができる。
論文参考訳（メタデータ） (2020-07-23T14:30:05Z)
Cell Segmentation and Tracking using CNN-Based Distance Predictions and a Graph-Based Matching Strategy [0.20999222360659608]
顕微鏡画像における触覚細胞のセグメンテーション法を提案する。距離マップにインスパイアされた新しい細胞境界の表現を用いることで, 触覚細胞だけでなく, 近接細胞をトレーニングプロセスで利用することができる。この表現は、特にアノテーションエラーに対して堅牢であり、未表現または未含の細胞型を含むトレーニングデータに含まれる顕微鏡画像のセグメンテーションに対して有望な結果を示す。
論文参考訳（メタデータ） (2020-04-03T11:55:28Z)

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。