論文の概要: BOrg: A Brain Organoid-Based Mitosis Dataset for Automatic Analysis of Brain Diseases

• arxiv url: http://arxiv.org/abs/2406.19556v1
• Date: Thu, 27 Jun 2024 22:16:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 18:22:04.909654
• Title: BOrg: A Brain Organoid-Based Mitosis Dataset for Automatic Analysis of Brain Diseases
• Title（参考訳）: BOrg:脳疾患の自動解析のための脳内オルガノイドに基づくミオトーシスデータセット
• Authors: Muhammad Awais, Mehaboobathunnisa Sahul Hameed, Bidisha Bhattacharya, Orly Reiner, Rao Muhammad Anwer,
• Abstract要約: BOrgは、脳オルガノイドの共焦点顕微鏡画像を用いて、脳の胚発生における分裂現象を研究するために設計されたデータセットである。 我々は、分裂細胞の検出と解析のために、BOrgの最先端のオブジェクト検出およびセルカウントモデルを適用し、ベンチマークする。 以上の結果より, これらの適応モデルにより, 脳オルガノイド研究における有糸分裂解析の効率と精度が有意に向上することが示唆された。
• 参考スコア（独自算出の注目度）: 15.347850595826317
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent advances have enabled the study of human brain development using brain organoids derived from stem cells. Quantifying cellular processes like mitosis in these organoids offers insights into neurodevelopmental disorders, but the manual analysis is time-consuming, and existing datasets lack specific details for brain organoid studies. We introduce BOrg, a dataset designed to study mitotic events in the embryonic development of the brain using confocal microscopy images of brain organoids. BOrg utilizes an efficient annotation pipeline with sparse point annotations and techniques that minimize expert effort, overcoming limitations of standard deep learning approaches on sparse data. We adapt and benchmark state-of-the-art object detection and cell counting models on BOrg for detecting and analyzing mitotic cells across prophase, metaphase, anaphase, and telophase stages. Our results demonstrate these adapted models significantly improve mitosis analysis efficiency and accuracy for brain organoid research compared to existing methods. BOrg facilitates the development of automated tools to quantify statistics like mitosis rates, aiding mechanistic studies of neurodevelopmental processes and disorders. Data and code are available at https://github.com/awaisrauf/borg.
• Abstract（参考訳）: 近年の進歩は、幹細胞由来の脳オルガノイドを用いたヒト脳の発達の研究を可能にしている。 これらのオルガノイドにおける分裂などの細胞プロセスの定量化は、神経発達障害に関する洞察を与えるが、手作業による分析は時間がかかり、既存のデータセットは脳オルガノイドの研究に具体的な詳細を欠いている。 脳オルガノイドの共焦点顕微鏡画像を用いて、脳の胚発生における分裂現象を研究するために設計されたデータセットであるBOrgを紹介した。 BOrgは、スパースポイントアノテーションとテクニックを備えた効率的なアノテーションパイプラインを使用して、スパースデータに対する標準的なディープラーニングアプローチの制限を克服する専門家の努力を最小限にする。 我々はBOrg上の最先端の物体検出および細胞カウントモデルを適用して、前相、変相、アナフェーズ、テロフェーズの細胞を検出・解析する。 以上の結果より, これらの適応モデルは既存の方法と比較して, 脳オルガノイド研究におけるミトーシス解析の効率と精度を著しく向上することが示された。 BOrgは、有糸分裂率などの統計を定量化する自動化ツールの開発を促進し、神経発達過程や障害の力学的研究を支援する。 データとコードはhttps://github.com/awaisrauf/borg.comで入手できる。

関連論文リスト

• Towards the Discovery of Down Syndrome Brain Biomarkers Using Generative Models [0.0]
  我々は変分オートエンコーダと拡散モデルに基づく最先端の脳異常検出モデルの評価を行った。 以上の結果から、ダウン症候群の脳解剖を特徴付ける一次変化を効果的に検出するモデルが存在することが示唆された。
  論文  参考訳（メタデータ） (2024-09-20T12:01:15Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• SynthBrainGrow: Synthetic Diffusion Brain Aging for Longitudinal MRI Data Generation in Young People [0.49478969093606673]
  合成長手脳MRIは、脳の老化をシミュレートし、神経発達と神経変性の条件についてより効率的な研究を可能にする。 人工脳老化のための拡散型アプローチであるSynthBrainGrowを2年連続で提案する。 以上の結果から,SynthBrainGrowは細部構造を正確に把握し,心室拡張や大脳皮質の薄化などの構造変化をシミュレートできることがわかった。
  論文  参考訳（メタデータ） (2024-02-22T20:47:40Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• MBrain: A Multi-channel Self-Supervised Learning Framework for Brain Signals [7.682832730967219]
  本稿では,SEEGデータとEEGデータのいずれかを事前学習できる脳信号の自己教師型学習フレームワークについて検討する。 そこで我々は,異なるチャネル間の空間的および時間的相関を暗黙的に学習するために,MBrainを提案する。 我々のモデルは、最先端のSSLおよび教師なしモデルよりも優れており、臨床に展開する能力を持っている。
  論文  参考訳（メタデータ） (2023-06-15T09:14:26Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
  脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。 被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。 アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
  論文  参考訳（メタデータ） (2023-03-11T14:04:58Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Automatic Quantitative Analysis of Brain Organoids via Deep Learning [0.0]
  そこで本研究では,異なる蛍光でタグ付けされた脳オルガノイドスライスチャネルの自動解析法を提案する。 実験の結果,野生型と変異型脳性オルガノイドとの明らかな相違が認められた。
  論文  参考訳（メタデータ） (2022-11-01T21:10:28Z)

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。