論文の概要: Immunocto: a massive immune cell database auto-generated for histopathology
- arxiv url: http://arxiv.org/abs/2406.02618v1
- Date: Mon, 3 Jun 2024 17:03:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 23:29:51.878796
- Title: Immunocto: a massive immune cell database auto-generated for histopathology
- Title（参考訳）: 免疫組織学のために自動生成された巨大免疫細胞データベースImmunocto
- Authors: Mikaël Simard, Zhuoyan Shen, Maria A. Hawkins, Charles-Antoine Collins-Fekete,
- Abstract要約: 我々は,6,848,454個のヒト細胞を自動生成する大量のデータベースであるImmuctoを紹介した。
我々は64$times$64ピクセルのH&E画像を$mathbf40times$imagcationで提供し、核とラベルのバイナリマスクも提供します。
それぞれのセルに対して、64$times$64ピクセルのH&E画像を$mathbf40times$倍率で提供し、核とラベルのバイナリマスクを提供します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the advent of novel cancer treatment options such as immunotherapy, studying the tumour immune micro-environment is crucial to inform on prognosis and understand response to therapeutic agents. A key approach to characterising the tumour immune micro-environment may be through combining (1) digitised microscopic high-resolution optical images of hematoxylin and eosin (H&E) stained tissue sections obtained in routine histopathology examinations with (2) automated immune cell detection and classification methods. However, current individual immune cell classification models for digital pathology present relatively poor performance. This is mainly due to the limited size of currently available datasets of individual immune cells, a consequence of the time-consuming and difficult problem of manually annotating immune cells on digitised H&E whole slide images. In that context, we introduce Immunocto, a massive, multi-million automatically generated database of 6,848,454 human cells, including 2,282,818 immune cells distributed across 4 subtypes: CD4$^+$ T cell lymphocytes, CD8$^+$ T cell lymphocytes, B cell lymphocytes, and macrophages. For each cell, we provide a 64$\times$64 pixels H&E image at $\mathbf{40}\times$ magnification, along with a binary mask of the nucleus and a label. To create Immunocto, we combined open-source models and data to automatically generate the majority of contours and labels. The cells are obtained from a matched H&E and immunofluorescence colorectal dataset from the Orion platform, while contours are obtained using the Segment Anything Model. A classifier trained on H&E images from Immunocto produces an average F1 score of 0.74 to differentiate the 4 immune cell subtypes and other cells. Immunocto can be downloaded at: https://zenodo.org/uploads/11073373.
- Abstract（参考訳）: 免疫療法などの新しいがん治療オプションの出現に伴い、腫瘍免疫マイクロ環境の研究は予後を知らせ、治療薬に対する反応を理解するために重要である。
腫瘍免疫マイクロ環境を特徴付けるための重要なアプローチは、(1)ヘマトキシリンとエオシン(H&E)染色組織断面のデジタル化による高分解能光学像と(2)自動免疫細胞検出および分類法を組み合わせることである。
しかし、デジタル病理学における現在の個別免疫細胞分類モデルでは、比較的性能が劣っている。
これは主に、現在利用可能な個々の免疫細胞のデータセットが限られているためであり、これは、デジタル化されたH&E全スライド画像に免疫細胞を手動で注釈付けするという、時間と難しい問題の結果である。
そこで本研究では,CD4$^+$T細胞リンパ球,CD8$^+$T細胞リンパ球,B細胞リンパ球,マクロファージの4つのサブタイプにまたがる2,282,818個の免疫細胞を含む,6,848,454個のヒト細胞の自動生成データベースであるImmomoctoを紹介する。
それぞれのセルに対して、64$\times$64ピクセルのH&Eイメージを$\mathbf{40}\times$倍率で提供し、核とラベルのバイナリマスクを提供します。
Imctoを作成するために、オープンソースモデルとデータを組み合わせて、輪郭やラベルを自動生成しました。
これらの細胞は、一致したH&EおよびOrionプラットフォームから免疫蛍光性大腸癌データセットから取得され、Segment Anything Modelを用いて輪郭が取得される。
免疫組織からのH&E画像に基づいて訓練された分類器は、平均的なF1スコア0.74を生成し、4つの免疫細胞サブタイプや他の細胞を区別する。
Immunocto は https://zenodo.org/uploads/11073373 でダウンロードできる。
関連論文リスト
- Semi-supervised variational autoencoder for cell feature extraction in multiplexed immunofluorescence images [40.234346302444536]
本稿では,教師付き変分オートエンコーダを用いた深層学習に基づくセル特徴抽出モデルを提案する。
乳がん患者の1,093個の組織マイクロアレイコアから抽出した44,000個以上の多重蛍光細胞像のコホートを用いて細胞表現型分類を行う。
論文 参考訳（メタデータ） (2024-06-22T04:32:50Z) - 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) - Immunohistochemistry guided segmentation of benign epithelial cells, in situ lesions, and invasive epithelial cells in breast cancer slides [0.3251634769699391]
乳がん領域における上皮細胞のセグメンテーションのためのAIモデルを開発した。
浸潤上皮細胞,良性上皮細胞,in situ病変に対するDiceスコア0.70,0.79,0.75の定量評価を行った。
論文 参考訳（メタデータ） (2023-11-22T09:25:08Z) - 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) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳（メタデータ） (2023-03-23T18:50:18Z) - Generating counterfactual explanations of tumor spatial proteomes to
discover effective strategies for enhancing immune infiltration [44.99833362998488]
腫瘍微小環境(TME)は免疫組成により癌予後に大きな影響を及ぼす。
本稿では,T細胞浸潤予測を自己教師型機械学習問題として定式化する。
悪性黒色腫,大腸癌肝転移,乳癌データに枠組みを応用し,T細胞浸潤が予測される摂動を発見した。
論文 参考訳（メタデータ） (2022-11-08T05:46:02Z) - Employing Feature Selection Algorithms to Determine the Immune State of
a Mouse Model of Rheumatoid Arthritis [43.410962336636224]
免疫反応は、抗原が自己なのか非自己なのかを体が決定する動的な過程である。
関節リウマチ(RA)などの免疫療法の目標は、免疫状態に偏り、規制的なアクターに有利である。
論文 参考訳（メタデータ） (2022-07-12T23:08:47Z) - Hoechst Is All You Need: LymphocyteClassification with Deep Learning [15.530447606593238]
フーチスト染色はより安価で実行が容易であるが、この場合、免疫蛍光技術によって標的となるタンパク質よりもDNAに結合するため、一般的には使われない。
以前は、DNA形態のみに基づいてこれらのタンパク質を発現する細胞を区別することは不可能であった。
この研究では、ディープ畳み込みニューラルネットワークをトレーニングし、90%以上の精度で3つのタンパク質を発現する細胞を同定し、リコールする。
論文 参考訳（メタデータ） (2021-07-09T12:33:22Z) - Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文 参考訳（メタデータ） (2021-02-10T15:10:37Z) - A Multi-Scale Conditional Deep Model for Tumor Cell Ratio Counting [4.164451715899639]
組織スライド全体の腫瘍細胞の比率を正確に把握する手法を提案する。
我々は、H&E染色組織断面の画像上で細胞を検出し分類するために訓練された、完全な畳み込みニューラルネットワークモデルを使用する。
2つのモデルを組み合わせることで、それぞれ異なる倍率で作業することで、システムはセルレベルの詳細と周囲のコンテキストの両方をキャプチャできることを示す。
論文 参考訳（メタデータ） (2021-01-27T22:40:33Z) - Automated Phenotyping via Cell Auto Training (CAT) on the Cell DIVE
Platform [0.5599792629509229]
多重蛍光画像を用いた自動トレーニングセットを用いて, 組織試料中の細胞の自動分類法を提案する。
本発明の方法は、ロバストなハイパープレックス免疫蛍光プラットフォーム上の1つの組織部位に、その場で染色された複数のマーカーを利用する。
論文 参考訳（メタデータ） (2020-07-18T16:45:32Z)
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。