論文の概要: Correlation Clustering of Organoid Images

• arxiv url: http://arxiv.org/abs/2403.13376v1
• Date: Wed, 20 Mar 2024 08:15:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-21 17:38:28.097371
• Title: Correlation Clustering of Organoid Images
• Title（参考訳）: オルガノイド画像の相関クラスタリング
• Authors: Jannik Presberger, Rashmiparvathi Keshara, David Stein, Yung Hae Kim, Anne Grapin-Botton, Bjoern Andres,
• Abstract要約: 我々は、オルガノイド画像の関連付けとクラスタリングのためのモデルとアルゴリズムを採用する。 我々はこれらのモデルのパラメータを学習し、オルガノイド画像のクラスタリングを推論し、推論されたクラスタの精度を定量化する。 我々は,生物学者が手動で収集したオルガノイドの最先端の光顕微鏡画像に貢献する。
• 参考スコア（独自算出の注目度）: 2.2265536092123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In biological and medical research, scientists now routinely acquire microscopy images of hundreds of morphologically heterogeneous organoids and are then faced with the task of finding patterns in the image collection, i.e., subsets of organoids that appear similar and potentially represent the same morphological class. We adopt models and algorithms for correlating organoid images, i.e., for quantifying the similarity in appearance and geometry of the organoids they depict, and for clustering organoid images by consolidating conflicting correlations. For correlating organoid images, we adopt and compare two alternatives, a partial quadratic assignment problem and a twin network. For clustering organoid images, we employ the correlation clustering problem. Empirically, we learn the parameters of these models, infer a clustering of organoid images, and quantify the accuracy of the inferred clusters, with respect to a training set and a test set we contribute of state-of-the-art light microscopy images of organoids clustered manually by biologists.
• Abstract（参考訳）: 生物学と医学の研究において、科学者は現在、何百もの形態学的に異質なオルガノイドの顕微鏡画像を取得し、画像収集のパターンを見つけるという課題に直面している。 我々は,オルガノイド画像と相関するモデルとアルゴリズム,すなわち,それらが表現するオルガノイドの外観や形状の類似性を定量化し,矛盾する相関関係を統合することでオルガノイド画像のクラスタリングを行う。 オルガノイド画像の関連付けには、部分二次代入問題とツインネットワークという2つの選択肢を採用し比較する。 オルガノイド画像のクラスタリングには相関クラスタリング問題を用いる。 実験により,これらのモデルのパラメータを学習し,有機体画像のクラスタリングを推定し,推定されたクラスターの精度をトレーニングセットとテストセットに関して定量化する。

関連論文リスト

• 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)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• 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)
• SegmentAnything helps microscopy images based automatic and quantitative organoid detection and analysis [2.9074136720945356]
  オルガノイド(Organoids)は、生体組織や臓器のアーキテクチャや機能を忠実に模倣する、自己組織化された3D細胞クラスターである。 最近の顕微鏡技術は、オルガノイドの形態的特徴を取得する強力なツールを提供するが、手動画像解析は依然として手間と時間を要するプロセスである。 本稿では、SegmentAnythingを利用して個々のオルガノイドを正確に分離する顕微鏡解析のための包括的パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-09-08T08:03:42Z)
• Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
  ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。 本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。 次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
  論文  参考訳（メタデータ） (2023-02-22T14:52:06Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Taxonomy and evolution predicting using deep learning in images [9.98733710208427]
  本研究では,キノコ画像認識問題を体系的に研究することで,新しい認識枠組みを創出する。 そこで本研究では,DNAにDNAをマッピングする最初の方法として,遺伝子距離にエンコーダマッピング画像を使用し,事前に訓練したデコーダを介してDNAをデコードする手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T13:54:14Z)
• Mapping the landscape of histomorphological cancer phenotypes using self-supervised learning on unlabeled, unannotated pathology slides [9.27127895781971]
  病理形態学的現象型学習は、小さな画像タイルにおける識別画像の特徴の自動発見を通じて行われる。 タイルは、組織形態学的表現型のライブラリを構成する形態学的に類似したクラスターに分類される。
  論文  参考訳（メタデータ） (2022-05-04T08:06:55Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• Unsupervised Learning of Local Discriminative Representation for Medical Images [32.155071351332964]
  局所識別表現は、多くの医療画像分析タスクで必要です。 本研究では,地域差別を教師なし表現学習に導入する。 提案手法の有効性と有用性を示した。
  論文  参考訳（メタデータ） (2020-12-17T00:20:23Z)
• Hyperspectral classification of blood-like substances using machine learning methods combined with genetic algorithms in transductive and inductive scenarios [3.7361116450006877]
  本研究は,高スペクトル画像分類における遺伝的アルゴリズム(GA)のモデル化と帯域選択に適用することに焦点を当てた。 我々は,GA最適化分類器をテストするために,血液と5つの視覚的に類似した物質を含む7つのハイパースペクトル画像からなる法医学的インスパイアされたデータセットを用いた。
  論文  参考訳（メタデータ） (2020-11-04T09:18:16Z)

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。