論文の概要: A Novel Generative Artificial Intelligence Method for Interference Study on Multiplex Brightfield Immunohistochemistry Images

• arxiv url: http://arxiv.org/abs/2408.07860v1
• Date: Thu, 15 Aug 2024 00:17:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-16 15:28:57.402770
• Title: A Novel Generative Artificial Intelligence Method for Interference Study on Multiplex Brightfield Immunohistochemistry Images
• Title（参考訳）: 多重Brightfield免疫組織化学画像の干渉解析のための新しい生成人工知能法
• Authors: Satarupa Mukherjee, Jim Martin, Yao Nie,
• Abstract要約: 多重明視野イメージングは、単一のスライド上で複数のバイオマーカーを同時に解析する利点を提供する。 同一細胞区画に局在する複数のバイオマーカーを正確に解析するため、2つの代表的なバイオマーカーセットをアッセイモデルとして選択した。 アッセイのような分析の最も重要な予備段階の1つは、個々の細胞上のそれぞれの固有の色原を同定することである。 バイオマーカーごとに3倍画像から同等の1プレックス画像を作成するには、高度なカラーアンミックスが必要である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiplex brightfield imaging offers the advantage of simultaneously analyzing multiple biomarkers on a single slide, as opposed to single biomarker labeling on multiple consecutive slides. To accurately analyze multiple biomarkers localized at the same cellular compartment, two representative biomarker sets were selected as assay models - cMET-PDL1-EGFR and CD8-LAG3-PDL1, where all three biomarkers can co-localize on the cell membrane. One of the most crucial preliminary stages for analyzing such assay is identifying each unique chromogen on individual cells. This is a challenging problem due to the co-localization of membrane stains from all the three biomarkers. It requires advanced color unmixing for creating the equivalent singleplex images from each triplex image for each biomarker. In this project, we developed a cycle-Generative Adversarial Network (cycle-GAN) method for unmixing the triplex images generated from the above-mentioned assays. Three different models were designed to generate the singleplex image for each of the three stains Tamra (purple), QM-Dabsyl (yellow) and Green. A notable novelty of our approach was that the input to the network were images in the optical density domain instead of conventionally used RGB images. The use of the optical density domain helped in reducing the blurriness of the synthetic singleplex images, which was often observed when the network was trained on RGB images. The cycle-GAN models were validated on 10,800 lung, gastric and colon images for the cMET-PDL1-EGFR assay and 3600 colon images for the CD8-LAG3-PDL1 assay. Visual as well as quantified assessments demonstrated that the proposed method is effective and efficient when compared with the manual reviewing results and is readily applicable to various multiplex assays.
• Abstract（参考訳）: 複数の連続するスライド上の1つのバイオマーカーラベリングとは対照的に、1つのスライド上の複数のバイオマーカーを同時に解析する利点がある。 同一細胞区画に局在する複数のバイオマーカーを正確に解析するため,cMET-PDL1-EGFRとCD8-LAG3-PDL1の2つの代表的なバイオマーカーセットを測定モデルとして選択した。 アッセイのような分析の最も重要な予備段階の1つは、個々の細胞上のそれぞれの固有の色原を同定することである。 これは3つのバイオマーカー全てからの膜染色の共局在化が難しい問題である。 バイオマーカーごとに3倍画像から同等の1プレックス画像を作成するには、高度なカラーアンミックスが必要である。 本研究は, 上記3次元画像から生成した3次元画像を混合するサイクル生成適応ネットワーク(Cycle-Generative Adversarial Network, GAN)手法を開発した。 3つの異なるモデルが、タムラ(紫)、QM-ダブシル(黄)、グリーン(緑)の3つの染色のそれぞれに対して、単相画像を生成するように設計された。 提案手法の顕著な特徴は,従来のRGB画像ではなく,光密度領域内の画像がネットワークへの入力である点である。 光密度領域の使用は、RGB画像上でネットワークがトレーニングされたときにしばしば観察された合成単相画像のぼかしを減少させるのに役立った。 CMET-PDL1-EGFR法では10,800例,CD8-LAG3-PDL1法では3600例であった。 視覚的および定量的評価により,手動による評価結果と比較すると,提案手法は効率的かつ効果的であり,多元的評価にも容易に適用可能であることが示された。

関連論文リスト

• Virtual Staining of Label-Free Tissue in Imaging Mass Spectrometry [2.6165589247047465]
  空間分解能を高め, 質量分析画像に細胞形態学的コントラストを導入する仮想組織染色法を提案する。 ヒト腎臓組織に対するブラインド試験では、ラベルのないサンプルの実質的に染色された画像は、その組織化学的に染色されたものと密に一致していることが示された。
  論文  参考訳（メタデータ） (2024-11-20T08:30:11Z)
• A Hyperspectral Imaging Dataset and Methodology for Intraoperative Pixel-Wise Classification of Metastatic Colon Cancer in the Liver [0.0]
  ハイパースペクトルイメージングは、計算病理学の分野を変える大きな可能性を秘めている。 現在、ディープラーニング(DL)モデルのトレーニングに必要な画素単位の注釈付きHSIデータが不足している。 肝転移14例から収集したヘマトキシリン-エオシン染色凍結部27HSIのデータベースを報告する。
  論文  参考訳（メタデータ） (2024-11-11T13:17:55Z)
• Efficient and generalizable prediction of molecular alterations in multiple cancer cohorts using H&E whole slide images [2.578561815484769]
  標的となるバイオマーカーの腫瘍サンプルの分子検査は、標準化の欠如によって制限される。 低頻度のターゲット可能な変更は、ルーチンでテストできない。 H&E画像からDNAの変化を予測するアルゴリズムは、確認分子検査のためにサンプルを優先順位付けすることができる。
  論文  参考訳（メタデータ） (2024-07-22T17:31:57Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Deep Learning-Assisted Co-registration of Full-Spectral Autofluorescence Lifetime Microscopic Images with H&E-Stained Histology Images [5.9861067768807]
  我々は,共同登録の成功を著しく改善する,教師なし画像-画像間翻訳ネットワークを示す。 このアプローチは、この範囲を超えるライフタイムイメージや他の染色技術に、力ずくで拡張できる可能性がある。
  論文  参考訳（メタデータ） (2022-02-15T22:09:06Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。