論文の概要: A Kolmogorov metric embedding for live cell microscopy signaling patterns

• arxiv url: http://arxiv.org/abs/2401.02501v4
• Date: Wed, 05 Feb 2025 14:46:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:25:21.010972
• Title: A Kolmogorov metric embedding for live cell microscopy signaling patterns
• Title（参考訳）: カルモゴロフメートル法による生細胞顕微鏡信号パターンの埋め込み
• Authors: Layton Aho, Mark Winter, Marc DeCarlo, Agne Frismantiene, Yannick Blum, Paolo Armando Gagliardi, Olivier Pertz, Andrew R. Cohen,
• Abstract要約: 5-D $(x,yz, channel,time)$Live Cell Microscopy Filmsにおいて,細胞シグナルのパターンをキャプチャするメカニカル埋め込みを提案する。 この埋め込みは、物体間の情報内容の絶対測度であるコルモゴロフ複雑性理論に基づく正規化情報距離(NID)と呼ばれる距離を用いる。
• 参考スコア（独自算出の注目度）: 0.1547863211792184
• License:
• Abstract: We present a metric embedding that captures spatiotemporal patterns of cell signaling dynamics in 5-D $(x,y,z,channel,time)$ live cell microscopy movies. The embedding uses a metric distance called the normalized information distance (NID) based on Kolmogorov complexity theory, an absolute measure of information content between digital objects. The NID uses statistics of lossless compression to compute a theoretically optimal metric distance between pairs of 5-D movies, requiring no a priori knowledge of expected pattern dynamics, and no training data. The cell signaling structure function (SSF) is defined using a class of metric 3-D image filters that compute at each spatiotemporal cell centroid the voxel intensity configuration of the nucleus w.r.t. the surrounding cytoplasm, or a functional output e.g. velocity. The only parameter is the expected cell radii ($\mu m$). The SSF can be optionally combined with segmentation and tracking algorithms. The resulting lossless compression pipeline represents each 5-D input movie as a single point in a metric embedding space. The utility of a metric embedding follows from Euclidean distance between any points in the embedding space approximating optimally the pattern difference, as measured by the NID, between corresponding pairs of 5-D movies. This is true throughout the embedding space, not only at points corresponding to input images. Examples are shown for synthetic data, for 2-D+time movies of ERK and AKT signaling under different oncogenic mutations in human epithelial (MCF10A) cells, for 3-D MCF10A spheroids under optogenetic manipulation of ERK, and for ERK dynamics during colony differentiation in human induced pluripotent stem cells.
• Abstract（参考訳）: 5-D $(x,y,z, channel,time)$Live Cell Microscopy Filmsにおいて,細胞シグナルの時空間パターンをキャプチャする。 この埋め込みは、デジタルオブジェクト間の情報内容の絶対測度であるコルモゴロフ複雑性理論に基づく正規化情報距離(NID)と呼ばれる距離を用いる。 NIDはロスレス圧縮の統計を用いて、理論上最適な5-Dフィルム間の距離を計算し、予測されるパターンダイナミクスの事前知識は必要とせず、トレーニングデータも必要としない。 細胞シグナリング構造関数(セルシグナリング構造関数、英: cell signaling structure function、SSF)は、周囲の細胞質の核w.r.t.のボクセル強度構成、または機能出力eg速度をそれぞれ表す3次元画像フィルタのクラスを用いて定義される。 唯一のパラメータは、期待されるセルラジイ(\mu m$)である。 SSFは、セグメンテーションと追跡アルゴリズムと任意に組み合わせることができる。 結果として生じるロスレス圧縮パイプラインは、各5次元入力フィルムをメートル埋め込み空間の単一点として表現する。 計量埋め込みの効用は、埋め込み空間内の任意の点間のユークリッド距離から、NIDによって測定されたパターン差を最適に近似する5-Dフィルム間のユークリッド距離から従う。 これは埋め込み空間全体を通して真であり、入力画像に対応する点だけに限らない。 例えば、ヒト上皮細胞(MCF10A)の異なる癌原突然変異下でのERKおよびAKTシグナルの2-D+時間フィルム、ERKのオプトジェネティックな操作による3次元MCF10A球体、およびヒト誘導多能性幹細胞のコロニー分化におけるERKダイナミックスなどである。

関連論文リスト

• Contrastive learning of cell state dynamics in response to perturbations [0.5665024011188763]
  DynaCLRは、タイムラプスデータセットの表現を対照的に学習することで、セルダイナミクスをモデル化するためのフレームワークである。 本研究では,DynaCLRを用いて細胞の形態動態を時間的に規則化された埋め込み空間にマッピングする方法を示す。
  論文  参考訳（メタデータ） (2024-10-15T05:01:25Z)
• 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)
• 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)
• Cell Spatial Analysis in Crohn's Disease: Unveiling Local Cell Arrangement Pattern with Graph-based Signatures [19.24727395217543]
  クローン病(Crohn's disease, CD)は、慢性的に再発する炎症性疾患である。 細胞数や組織形態以外の より広い形態計測と 局所的な配列を理解することは 依然として困難です 我々は,H&E画像から6種類の異なる細胞を特徴付け,各細胞の局所的空間的シグネチャに対する新しいアプローチを開発した。
  論文  参考訳（メタデータ） (2023-08-20T05:26:25Z)
• Generative modeling of living cells with SO(3)-equivariant implicit neural representations [2.146287726016005]
  ニューラルネットワークによって推定される符号付き距離関数(SDF)のレベルセットとして,生きた細胞形状を表現することを提案する。 我々は、完全に接続されたニューラルネットワークを最適化し、3D+時間領域の任意の時点におけるSDF値の暗黙的な表現を提供する。 本研究では, 急激な変形を示す細胞 (Platynereis dumerilii) , 増殖・分裂する細胞 (C. elegans) , および糸状体突起を成長・分岐する細胞 (A549ヒト肺癌細胞) に対するこのアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-04-18T12:51:18Z)
• 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
  本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。 また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
  論文  参考訳（メタデータ） (2023-03-21T17:58:49Z)
• Growing Isotropic Neural Cellular Automata [63.91346650159648]
  我々は、元のGrowing NCAモデルには、学習された更新規則の異方性という重要な制限があると主張している。 細胞系は2つの方法のいずれかによって、正確な非対称パターンを成長させる訓練が可能であることを実証する。
  論文  参考訳（メタデータ） (2022-05-03T11:34:22Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Embedding Signals on Knowledge Graphs with Unbalanced Diffusion Earth Mover's Distance [63.203951161394265]
  現代の機械学習では、多くの領域における観測間の相互作用や類似性によって生じる大きなグラフに遭遇することが一般的である。 本研究では,地球移動器距離(EMD)と測地コストを基礎となるグラフ上で比較し,グラフ信号のデータセットを整理する。 いずれの場合も,UDEMDをベースとした埋め込みは,他の手法と比較して高精度な距離を求めることができる。
  論文  参考訳（メタデータ） (2021-07-26T17:19:02Z)
• Enforcing Morphological Information in Fully Convolutional Networks to Improve Cell Instance Segmentation in Fluorescence Microscopy Images [1.408123603417833]
  本稿では,よく知られたU-Netアーキテクチャに基づく新しいセルインスタンス分割手法を提案する。 深部距離変換器(DDT)がバックボーンモデルとして機能する。 その結果,従来のU-Netアーキテクチャよりも性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-06-10T15:54:38Z)
• 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。

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。