Fugu-MT 論文翻訳(概要): Nucleus subtype classification using inter-modality learning

論文の概要: Nucleus subtype classification using inter-modality learning

arxiv url: http://arxiv.org/abs/2401.05602v1
Date: Thu, 11 Jan 2024 00:28:39 GMT
ステータス: 処理完了
システム内更新日: 2024-01-13 01:44:27.365840
Title: Nucleus subtype classification using inter-modality learning
Title（参考訳）: モーダリティ間学習を用いた核サブタイプ分類
Authors: Lucas W. Remedios, Shunxing Bao, Samuel W. Remedios, Ho Hin Lee, Leon Y. Cai, Thomas Li, Ruining Deng, Can Cui, Jia Li, Qi Liu, Ken S. Lau, Joseph T. Roland, Mary K. Washington, Lori A. Coburn, Keith T. Wilson, Yuankai Huo, Bennett A. Landman
Abstract要約: ヘマトキシリンとエオシン(H&E)染色は臨床研究と研究の両方に広く利用されている。 CoNIC Challengeは最近、大腸のH&E染色に6種類の細胞をラベル付けする堅牢な人工知能を革新した。仮想H&Eでラベル付けできないセルタイプをラベル付けするために,モーダリティ間学習を提案する。
参考スコア（独自算出の注目度）: 20.7656670896463
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Understanding the way cells communicate, co-locate, and interrelate is essential to understanding human physiology. Hematoxylin and eosin (H&E) staining is ubiquitously available both for clinical studies and research. The Colon Nucleus Identification and Classification (CoNIC) Challenge has recently innovated on robust artificial intelligence labeling of six cell types on H&E stains of the colon. However, this is a very small fraction of the number of potential cell classification types. Specifically, the CoNIC Challenge is unable to classify epithelial subtypes (progenitor, endocrine, goblet), lymphocyte subtypes (B, helper T, cytotoxic T), or connective subtypes (fibroblasts, stromal). In this paper, we propose to use inter-modality learning to label previously un-labelable cell types on virtual H&E. We leveraged multiplexed immunofluorescence (MxIF) histology imaging to identify 14 subclasses of cell types. We performed style transfer to synthesize virtual H&E from MxIF and transferred the higher density labels from MxIF to these virtual H&E images. We then evaluated the efficacy of learning in this approach. We identified helper T and progenitor nuclei with positive predictive values of $0.34 \pm 0.15$ (prevalence $0.03 \pm 0.01$) and $0.47 \pm 0.1$ (prevalence $0.07 \pm 0.02$) respectively on virtual H&E. This approach represents a promising step towards automating annotation in digital pathology.
Abstract（参考訳）: 細胞間のコミュニケーションの仕方を理解することは、人間の生理学を理解するのに不可欠である。ヘマトキシリンとエオシン(H&E)染色は臨床研究と研究の両方に広く利用されている。 Colon Nucleus Identification and Classification (CoNIC) Challengeは、最近、大腸のH&E染色に6つの細胞タイプをラベル付けした堅牢な人工知能を革新した。しかし、これは潜在的な細胞分類の数のごく一部である。特に、CoNIC Challengeは上皮サブタイプ(前駆体、内分泌細胞、ゴブレット)、リンパ球サブタイプ(B、ヘルパーT、細胞傷害性T)、結合サブタイプ(線維芽細胞、間質)を分類できない。本稿では,仮想H&E上でラベル付け不可能なセルタイプをラベル付けするために,モーダリティ間学習を提案する。我々はmxif(multiplexed immunofluorescence)組織像を用いて14種類の細胞タイプを同定した。我々は、MxIFから仮想H&Eを合成するためのスタイル転送を行い、MxIFからこれらの仮想H&E画像へ高密度ラベルを転送した。このアプローチで学習の有効性を評価した。仮想H&EではヘルパーTと前駆体核をそれぞれ0.34 \pm 0.15$ (prevalence $0.03 \pm 0.01$) と$0.47 \pm 0.1$ (prevalence $0.07 \pm 0.02$) の正の予測値で同定した。このアプローチは、デジタル病理学におけるアノテーションの自動化に向けた有望なステップである。

関連論文リスト

MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文参考訳（メタデータ） (2024-06-12T15:22:56Z)
Data-driven Nucleus Subclassification on Colon H&E using Style-transferred Digital Pathology [19.878770217150166]
H&Eでラベル付け不能な細胞タイプをラベル付けするために、モーダリティ間学習を使用します。 MxIF由来の細胞サブ分類ラベルと組み合わせたリアルな仮想H&Eを合成する。これは、ヘルパーTと上皮前駆核の細胞型分類をH&E上で提供する最初の研究である。
論文参考訳（メタデータ） (2024-05-15T19:33:35Z)
FlowCyt: A Comparative Study of Deep Learning Approaches for Multi-Class Classification in Flow Cytometry Benchmarking [1.6712896227173808]
FlowCytは、フローコードされたデータにおいて、マルチクラスのシングルセル分類のための最初の包括的なベンチマークである。このデータセットは、30人の患者の骨髄サンプルからなり、各細胞は12個のマーカーで特徴づけられる。
論文参考訳（メタデータ） (2024-02-28T15:01:59Z)
UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文参考訳（メタデータ） (2024-02-20T11:50:27Z)
An AI-Ready Multiplex Staining Dataset for Reproducible and Accurate Characterization of Tumor Immune Microenvironment [7.595983383242494]
頭頸部扁平上皮癌8例の保存および共同登録されたデジタル画像を含む,AI対応の計算病理データセットを新たに導入した。腫瘍部位は,まずmIF法で染色し,次いでmIHC法で保存した。これは、これらの2つの染色方法の等価性を実証し、いくつかのユースケースを可能にする最初の公開データセットである。
論文参考訳（メタデータ） (2023-05-25T20:42:23Z)
HoechstGAN: Virtual Lymphocyte Staining Using Generative Adversarial Networks [10.043946236248392]
本研究は, クリア細胞腎細胞癌におけるT細胞サブタイプを同定するために, CD3およびCD8を用いたHoechst画像の仮想染色を行う枠組みを提案する。本手法は両課題を共同で学習し,各課題から有益情報を相互に組み込むネットワークのインセンティブを与える。仮想染色品質を定量化するための新しい指標を考案し,そを用いて本手法の評価を行った。
論文参考訳（メタデータ） (2022-10-13T11:23:19Z)
Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文参考訳（メタデータ） (2022-08-05T18:52:20Z)
Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文参考訳（メタデータ） (2022-03-23T00:58:27Z)
Classification of White Blood Cell Leukemia with Low Number of Interpretable and Explainable Features [0.0]
白血球(WBC)白血病は画像ベース分類によって検出される。畳み込みニューラルネットワークは、細胞のイメージを悪性または正常に分類するために必要な特徴を学ぶために使用される。このタイプのモデルは、多数のパラメータを学習し、解釈と説明が困難である。 XAIモデルは、説明可能な機能と解釈可能な機能のみを使用し、4.38%以上の性能で他のアプローチと高い競争力を持つ。
論文参考訳（メタデータ） (2022-01-28T00:08:56Z)
Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
論文参考訳（メタデータ） (2021-01-22T19:49:47Z)
Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文参考訳（メタデータ） (2020-11-24T01:53:39Z)

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。