論文の概要: Data-driven Nucleus Subclassification on Colon H&E using Style-transferred Digital Pathology
- arxiv url: http://arxiv.org/abs/2407.06116v1
- Date: Wed, 15 May 2024 19:33:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-07-22 14:19:18.441227
- Title: Data-driven Nucleus Subclassification on Colon H&E using Style-transferred Digital Pathology
- Title（参考訳）: データ駆動型Nucleus subclassification on Colon H&E using Style-transferred Digital Pathology (特集:情報ネットワーク)
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 19.878770217150166
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the way cells communicate, co-locate, and interrelate is essential to furthering our understanding of how the body functions. H&E is widely available, however, cell subtyping often requires expert knowledge and the use of specialized stains. To reduce the annotation burden, AI has been proposed for the classification of cells on H&E. For example, the recent Colon Nucleus Identification and Classification (CoNIC) Challenge focused on labeling 6 cell types on H&E of the colon. However, the CoNIC Challenge was unable to classify epithelial subtypes (progenitor, enteroendocrine, goblet), lymphocyte subtypes (B, helper T, cytotoxic T), and connective subtypes (fibroblasts). We use inter-modality learning to label previously un-labelable cell types on H&E. We take advantage of multiplexed immunofluorescence (MxIF) histology to label 14 cell subclasses. We performed style transfer on the same MxIF tissues to synthesize realistic virtual H&E which we paired with the MxIF-derived cell subclassification labels. We evaluated the efficacy of using a supervised learning scheme where the input was realistic-quality virtual H&E and the labels were MxIF-derived cell subclasses. We assessed our model on private virtual H&E and public real H&E. On virtual H&E, we were able to classify helper T cells and epithelial progenitors 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, when using ground truth centroid information. On real H&E we could classify helper T cells and epithelial progenitors with upper bound positive predictive values of $0.43 \pm 0.03$ (parent class prevalence 0.21) and $0.94 \pm 0.02$ (parent class prevalence 0.49) when using ground truth centroid information. This is the first work to provide cell type classification for helper T and epithelial progenitor nuclei on H&E.
- Abstract（参考訳）: 細胞間のコミュニケーション、共同配置、相互翻訳の仕方を理解することは、身体がどのように機能するかの理解を深めるのに不可欠です。
H&Eは広く利用可能であるが、細胞置換には専門家の知識と特殊な染色が必要であることが多い。
アノテーションの負担を軽減するため、H&E上の細胞の分類にAIが提案されている。
例えば、最近のColon Nucleus Identification and Classification (CoNIC) Challengeでは、大腸のH&Eに6種類の細胞をラベル付けすることに焦点を当てている。
しかし、CoNIC Challengeは上皮サブタイプ(前駆体、エンテロエンドクリン、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)を分類できなかった。
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。
我々は14の細胞サブクラスをラベル付けするために多重蛍光(MxIF)組織学を利用する。
我々は,MxIF由来の細胞亜分類ラベルと組み合わせたリアルな仮想H&Eを合成するために,同じMxIF組織上でスタイル転送を行った。
本研究は,MxIF由来の細胞サブクラスをラベルとして,リアル品質の仮想H&Eを用いた教師付き学習手法の有効性を評価した。
我々は、プライベートバーチャルH&EとパブリックリアルH&Eでモデルを評価した。
仮想H&Eでは, 基本真理セントロイド情報を用いた場合, ヘルパーT細胞と上皮前駆体をそれぞれ0.34 \pm 0.15$ (prevalence $0.03 \pm 0.01$) と$0.47 \pm 0.1$ (prevalence $0.07 \pm 0.02$) の正の予測値で分類することができた。
実際のH&Eでは、基底真理セントロイド情報を使用する場合、ヘルパーT細胞と上皮前駆体を0.43 \pm 0.03$(親クラス有病率0.21)と$0.94 \pm 0.02$(親クラス有病率0.49)の上限正の予測値で分類することができる。
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。
関連論文リスト
- CytoFormer: A Molecularly Supervised Cell Foundation Model for Histopathology Cell Classification [1.5928576802540013]
このようなモデルのトレーニングは、多くの細胞タイプに対して遅い、高価で信頼性の低い手動の病理医アノテーションに依存している。
代わりに分子で形態学を監督する。
16の臓器にまたがる81のXenium切断片を, クラスタリング, マーカー遺伝子アノテーション, 臓器のレビュー, 品質管理により抽出し, 各臓器に共通に報告される細胞タイプにマッピングした。
これにより1540万の細胞が生成され、それぞれがH&Eイメージパッチと23種類の細胞のうちの1つで、我々はCytoFormerを訓練した。
論文 参考訳（メタデータ） (2026-08-17T15:35:03Z) - Towards Reliable Stain Transfer: An Iterative Data-Model Co-Optimization Framework Based on Multimodal Expert-Guided Assessment [55.16957949238588]
Stain Transferのための新しいデータモデル共最適化フレームワークDMCoStainを提案する。
反復的にトレーニングデータとモデル能力を再定義し、病理的および構造的整合性の両方において染色精度と解釈性を向上させる。
MEGFS をサポートするために,150K VQA サンプルを用いた IPE 命令追従型大規模データセットである ImmunoInstruction を構築した。
論文 参考訳（メタデータ） (2026-07-28T07:54:43Z) - Cell-o1: Training LLMs to Solve Single-Cell Reasoning Puzzles with Reinforcement Learning [44.91329557101423]
我々はCellPuzzlesタスクを導入し、その目的はセルのバッチにユニークなセルタイプを割り当てることである。
このベンチマークは、様々な組織、疾患、ドナーの状態にまたがっており、ラベルの独特性を保証するために、バッチレベルの細胞コンテキストをまたいで推論する必要がある。
蒸留液の微調整を施した7B LLMのCell-o1を提案する。
論文 参考訳（メタデータ） (2025-06-03T14:16:53Z) - MIPHEI-ViT: Multiplex Immunofluorescence Prediction from H&E Images using ViT Foundation Models [2.2802322828460864]
我々は、最先端のViT基盤モデルをエンコーダとして統合し、H&E画像からmIF信号を予測するU-NetにインスパイアされたアーキテクチャであるMIPHEIを紹介する。
大腸癌組織から得られた残留H&EおよびmIF画像のORIONデータセットを用いて,本モデルをトレーニングした。
MIPHEIはH&Eだけで正確な細胞型分類を実現しており、Pan-CKは0.88点、CD3eは0.57点、SMAは0.56点、CD68は0.36点、CD20は0.30点である。
論文 参考訳（メタデータ） (2025-05-15T13:42:48Z) - CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。
我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
論文 参考訳（メタデータ） (2025-05-09T06:47:23Z) - CellViT++: Energy-Efficient and Adaptive Cell Segmentation and Classification Using Foundation Models [1.7674154313605157]
$textCellViTscriptstyle ++$は、デジタル病理学における一般化された細胞セグメンテーションのためのフレームワークである。
$textCellViTscriptstyle ++$は、ユーザフレンドリで、ビジュアライゼーションとアノテーションのためのWebベースのインターフェースを備えたオープンソースのフレームワークである。
論文 参考訳（メタデータ） (2025-01-09T14:26:50Z) - 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) - Immunocto: a massive immune cell database auto-generated for histopathology [0.0]
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。
論文 参考訳（メタデータ） (2024-06-03T17:03:58Z) - 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) - CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。
我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文 参考訳（メタデータ） (2024-01-29T12:56:11Z) - Cyto R-CNN and CytoNuke Dataset: Towards reliable whole-cell
segmentation in bright-field histological images [44.83069198478997]
我々は,セル全体を鮮視野画像に正確に分割できるネットワークアーキテクチャCyto R-CNNを提案する。
また,頭頸部扁平上皮癌細胞に対する数千の手動アノテーションからなる新しいデータセットCytoNukeも提示した。
論文 参考訳（メタデータ） (2024-01-28T12:22:34Z) - Nucleus subtype classification using inter-modality learning [20.7656670896463]
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。
論文 参考訳（メタデータ） (2024-01-11T00:28:39Z) - CellGAN: Conditional Cervical Cell Synthesis for Augmenting
Cytopathological Image Classification [11.255093167227928]
現在の解決策は、不審な細胞を局所化し、局所的なパッチに基づいて異常を分類する必要がある。
セルGANは、画像生成にセルタイプ情報を効果的に組み込む非線形クラスマッピングネットワークを備えている。
論文 参考訳（メタデータ） (2023-07-12T14:13:54Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Uncertainty Quantification for Atlas-Level Cell Type Transfer [0.4893345190925178]
単細胞基準アトラスを用いた細胞型分類のための不確実性定量法を提案する。
4つのモデルクラスをベンチマークし、現在使用されているモデルに校正、堅牢性、動作可能な不確実性スコアがないことを示す。
アトラスレベルの細胞型移動の設定において、不確実性を定量化するモデルが、未知の細胞型を検出するのにどのように適しているかを実証する。
論文 参考訳（メタデータ） (2022-11-07T16:08:28Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - 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) - 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)
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。