論文の概要: Immunocto: a massive immune cell database auto-generated for histopathology
- arxiv url: http://arxiv.org/abs/2406.02618v2
- Date: Fri, 28 Feb 2025 11:06:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-03 16:38:44.853976
- 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, Konstantin Bräutigam, Rasha Abu-Eid, Maria A. Hawkins, Charles-Antoine Collins-Fekete,
- Abstract要約: イムノクトは、6,848,454個のヒト細胞とオブジェクトを自動生成するデータベースです。
各セルに対して、64$times$64ピクセル、$mathbf40times$倍率で2$H&E画像と、核とラベルのバイナリマスクを提供する。
免疫細胞で訓練された深層学習モデルは、リンパ球検出のための最先端のパフォーマンスをもたらす。
- 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 (TIME) is crucial to inform on prognosis and understand potential response to therapeutic agents. A key approach to characterising the TIME 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. In this work, we introduce a workflow to automatically generate robust single cell contours and labels from dually stained tissue sections with H&E and multiplexed immunofluorescence (IF) markers. The approach harnesses the Segment Anything Model and requires minimal human intervention compared to existing single cell databases. With this methodology, we create Immunocto, a massive, multi-million automatically generated database of 6,848,454 human cells and objects, including 2,282,818 immune cells distributed across 4 subtypes: CD4$^+$ T cell lymphocytes, CD8$^+$ T cell lymphocytes, CD20$^+$ B cell lymphocytes, and CD68$^+$/CD163$^+$ macrophages. For each cell, we provide a 64$\times$64 pixels$^2$ H&E image at $\mathbf{40}\times$ magnification, along with a binary mask of the nucleus and a label. The database, which is made publicly available, can be used to train models to study the TIME on routine H&E slides. We show that deep learning models trained on Immunocto result in state-of-the-art performance for lymphocyte detection. The approach demonstrates the benefits of using matched H&E and IF data to generate robust databases for computational pathology applications.
- 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(TIME)の研究は予後を知らせ、治療薬に対する潜在的反応を理解するために重要である。
TIMEを特徴づ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)免疫細胞の自動検出と分類法を組み合わせることである。
本研究では,H&EとIFマーカーを併用した二重染色組織から,堅牢な単一細胞輪郭とラベルを自動生成するワークフローを提案する。
このアプローチは、Segment Anything Modelを活用し、既存のシングルセルデータベースと比較して、人間の介入を最小限にする必要がある。
本手法により,CD4$^+$T細胞リンパ球,CD8$^+$T細胞リンパ球,CD20$^+$B細胞リンパ球,CD68$^+$/CD163$^+$マクロファージの4つのサブタイプに分布する2,282,818個の免疫細胞を含む,6,848,454個のヒト細胞とオブジェクトの大量かつ多量に生成されたデータベースであるImmuctoを作成した。
各セルに対して、64$\times$64ピクセル=^2$ H&Eイメージを$\mathbf{40}\times$倍率で提供します。
データベースは公開されており、モデルをトレーニングして、通常のH&EスライドでTIMEを研究するために使用することができる。
本研究は,免疫細胞を用いた深層学習モデルにより,リンパ球検出の最先端性能が得られたことを示す。
提案手法は,H&E と IF データをマッチングして,計算病理学応用のための堅牢なデータベースを生成するという利点を実証するものである。
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) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳（メタデータ） (2023-11-28T09:14:55Z) - 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) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - A Pragmatic Machine Learning Approach to Quantify Tumor Infiltrating
Lymphocytes in Whole Slide Images [0.0]
がん組織における腫瘍浸潤リンパ球(TIL)の上昇は、多くの種類のがんにおいて好ましい結果を示す。
本研究の目的は,肺がん患者の標準診断ヘマトキシリンおよびエオシン染色部(H&Eスライス)の全スライド画像(WSI)中のTILを自動的に定量化することである。
論文 参考訳（メタデータ） (2022-02-14T10:22:10Z) - 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) - 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) - 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) - 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。