論文の概要: Introducing NCL-SM: A Fully Annotated Dataset of Images from Human
Skeletal Muscle Biopsies
- arxiv url: http://arxiv.org/abs/2311.11099v1
- Date: Sat, 18 Nov 2023 15:18:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 10:13:44.337189
- Title: Introducing NCL-SM: A Fully Annotated Dataset of Images from Human
Skeletal Muscle Biopsies
- Title（参考訳）: ncl-sm:ヒト骨格筋生検画像の完全な注釈付きデータセット
- Authors: Atif Khan, Conor Lawless, Amy Vincent, Charlotte Warren, Valeria Di
Leo, Tiago Gomes, A. Stephen McGough
- Abstract要約: 骨格筋(SM)組織の単一細胞解析は、多くの神経筋疾患を理解するための基本的なツールである。
この分析は信頼性と再現性が高いため,SM組織の顕微鏡像(分画)内での個々の線維の同定は正確である。
現在、SM組織断面の画像の自動的かつ正確なセグメンテーションとキュレーションを行うツールやパイプラインは存在しない。
- 参考スコア（独自算出の注目度）: 1.4183971140167246
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single cell analysis of skeletal muscle (SM) tissue is a fundamental tool for
understanding many neuromuscular disorders. For this analysis to be reliable
and reproducible, identification of individual fibres within microscopy images
(segmentation) of SM tissue should be precise. There is currently no tool or
pipeline that makes automatic and precise segmentation and curation of images
of SM tissue cross-sections possible. Biomedical scientists in this field rely
on custom tools and general machine learning (ML) models, both followed by
labour intensive and subjective manual interventions to get the segmentation
right. We believe that automated, precise, reproducible segmentation is
possible by training ML models. However, there are currently no good quality,
publicly available annotated imaging datasets available for ML model training.
In this paper we release NCL-SM: a high quality bioimaging dataset of 46 human
tissue sections from healthy control subjects and from patients with
genetically diagnosed muscle pathology. These images include $>$ 50k manually
segmented muscle fibres (myofibres). In addition we also curated high quality
myofibres and annotated reasons for rejecting low quality myofibres and regions
in SM tissue images, making this data completely ready for downstream analysis.
This, we believe, will pave the way for development of a fully automatic
pipeline that identifies individual myofibres within images of tissue sections
and, in particular, also classifies individual myofibres that are fit for
further analysis.
- Abstract（参考訳）: 骨格筋組織の単一細胞解析は、多くの神経筋疾患を理解するための基本的なツールである。
この分析は信頼性と再現性が高いため、SM組織の顕微鏡像(分画)内の個々の線維の同定は正確である。
現在、SM組織断面の画像の自動的かつ正確なセグメンテーションとキュレーションを行うツールやパイプラインは存在しない。
この分野でのバイオメディカルサイエンティストはカスタムツールと一般機械学習(ML)モデルに依存しており、どちらも労働集約的かつ主観的な手動介入によってセグメンテーションを正しく行う。
mlモデルのトレーニングによって、自動化、正確、再現可能なセグメンテーションが可能になる、と私たちは信じています。
しかし、現時点では優れた品質はなく、mlモデルのトレーニングで利用可能なアノテーション付き画像データセットが公開されている。
本稿では,健常者および遺伝的に診断された筋疾患患者から,46個のヒト組織セクションの高品質なバイオイメージングデータセットNCL-SMをリリースする。
これらの画像には、手動で分割した筋肉繊維(筋繊維)が含まれます。
さらに,高品位筋線維と低品位筋線維とsm組織画像の領域を拒絶する注釈付き理由を整理し,このデータを下流解析に完全対応させた。
これは、組織断面の画像内の個々の筋線維を識別する完全自動パイプラインの開発方法であり、特に、さらなる分析に適合する個々の筋線維を分類するものであると我々は信じている。
関連論文リスト
- FluoroSAM: A Language-aligned Foundation Model for X-ray Image Segmentation [11.55858990545478]
我々は、1.6Mの合成X線画像に基づいて、ゼロから訓練されたセグメンテーション・アニーシング・モデルの言語対応版であるFluoroSAMを開発した。
FluoroSAMは0.51と0.79のDICEでテキストのみのプロンプトに基づいて骨質の解剖学的構造を分割することができる。
また、言語アライメントのおかげで、トレーニングセット以外のセグメントクラスへのゼロショットの一般化も可能である。
論文 参考訳（メタデータ） (2024-03-12T20:11:38Z) - Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
論文 参考訳（メタデータ） (2024-03-09T13:37:02Z) - NCL-SM: A Fully Annotated Dataset of Images from Human Skeletal Muscle
Biopsies [1.4183971140167246]
ヒト骨格筋(SM)組織断面の単一細胞解析は、多くの神経筋疾患を理解するための基本的なツールである。
この分析が信頼性と再現性を有するためには、SM組織の顕微鏡像(分画)内の個々の線維の同定を自動的かつ正確に行う必要がある。
完全に自動化され、正確で再現可能なセグメンテーションは、MLモデルをトレーニングすることで可能であると我々は信じている。
本稿では,健常者および遺伝子診断された筋疾患患者から,46個のヒトSM組織横断断面の高品質なバイオイメージングデータセットであるNCL-SMをリリースする。
論文 参考訳（メタデータ） (2023-11-25T20:29:35Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - Towards Automated Semantic Segmentation in Mammography Images [0.0]
乳頭, 胸部筋, 線維腺組織, 脂肪組織を, 標準乳房造影画像で区分けするための深層学習ベースの枠組みを提案する。
論文 参考訳（メタデータ） (2023-07-18T15:04:42Z) - 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) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - SYNTA: A novel approach for deep learning-based image analysis in muscle
histopathology using photo-realistic synthetic data [2.1616289178832666]
我々は,合成,フォトリアリスティック,高度に複雑なバイオメディカルイメージをトレーニングデータとして生成するための新しいアプローチとして,Synta(synthetic data)を紹介した。
手動のアノテーションを必要とせずに、以前に見つからなかった実世界のデータに対して、堅牢で専門家レベルのセグメンテーションタスクを実行することが可能であることを実証した。
論文 参考訳（メタデータ） (2022-07-29T12:50:32Z) - Comprehensive Validation of Automated Whole Body Skeletal Muscle,
Adipose Tissue, and Bone Segmentation from 3D CT images for Body Composition
Analysis: Towards Extended Body Composition [0.6176955945418618]
ディープラーニングのような強力な人工知能のツールは、3D画像全体を分割し、すべての内部解剖の正確な測定を生成することができるようになった。
これにより、これまで存在した深刻なボトルネック、すなわち手動セグメンテーションの必要性の克服が可能になる。
これらの測定は不可能であったため、フィールドを非常に小さく限られたサブセットに制限した。
論文 参考訳（メタデータ） (2021-06-01T17:30:45Z) - 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) - 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)
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。