論文の概要: RankByGene: Gene-Guided Histopathology Representation Learning Through Cross-Modal Ranking Consistency

• arxiv url: http://arxiv.org/abs/2411.15076v1
• Date: Fri, 22 Nov 2024 17:08:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:02:35.254831
• Title: RankByGene: Gene-Guided Histopathology Representation Learning Through Cross-Modal Ranking Consistency
• Title（参考訳）: RankByGene: クロスモーダルなランキング一貫性による遺伝子誘導型病理組織学表現学習
• Authors: Wentao Huang, Meilong Xu, Xiaoling Hu, Shahira Abousamra, Aniruddha Ganguly, Saarthak Kapse, Alisa Yurovsky, Prateek Prasanna, Tahsin Kurc, Joel Saltz, Michael L. Miller, Chao Chen,
• Abstract要約: ランク付けに基づくアライメント損失を用いて、遺伝子と画像の特徴を整列する新しいフレームワークを提案する。 そこで我々は,教師と学生のネットワークアーキテクチャを用いた自己指導型知識蒸留を用いて,アライメントの安定性をさらに向上させる。
• 参考スコア（独自算出の注目度）: 11.813883157319381
• License:
• Abstract: Spatial transcriptomics (ST) provides essential spatial context by mapping gene expression within tissue, enabling detailed study of cellular heterogeneity and tissue organization. However, aligning ST data with histology images poses challenges due to inherent spatial distortions and modality-specific variations. Existing methods largely rely on direct alignment, which often fails to capture complex cross-modal relationships. To address these limitations, we propose a novel framework that aligns gene and image features using a ranking-based alignment loss, preserving relative similarity across modalities and enabling robust multi-scale alignment. To further enhance the alignment's stability, we employ self-supervised knowledge distillation with a teacher-student network architecture, effectively mitigating disruptions from high dimensionality, sparsity, and noise in gene expression data. Extensive experiments on gene expression prediction and survival analysis demonstrate our framework's effectiveness, showing improved alignment and predictive performance over existing methods and establishing a robust tool for gene-guided image representation learning in digital pathology.
• Abstract（参考訳）: 空間転写学 (Spatial transcriptomics, ST) は、組織内の遺伝子発現をマッピングすることで、重要な空間的文脈を提供する。 しかし、STデータとヒストロジー画像との整合性は、固有の空間歪みとモダリティ固有のバリエーションによって困難を生じさせる。 既存の手法は直接アライメントに大きく依存しており、複雑な相互関係を捉えるのに失敗することが多い。 これらの制約に対処するために、ランクベースのアライメントロスを用いて遺伝子と画像の特徴を整列し、モダリティ間の相対的類似性を保ち、堅牢なマルチスケールアライメントを可能にする新しいフレームワークを提案する。 そこで我々は,教師と学生のネットワークアーキテクチャを用いた自己指導型知識蒸留を用いて,高次元性,疎性,および遺伝子発現データのノイズからの破壊を効果的に緩和する。 遺伝子の発現予測と生存分析に関する大規模な実験は、我々のフレームワークの有効性を実証し、既存の手法よりも優れたアライメントと予測性能を示し、デジタル病理学における遺伝子誘導画像表現学習のための堅牢なツールを確立した。

関連論文リスト

• Unsupervised Feature Orthogonalization for Learning Distortion-Invariant Representations [0.13108652488669734]
  本研究では、教師なし特徴の直交化と視覚変換器の能力を統合する新しい手法であるunORANIC+を紹介する。 unORANIC+の合理化アーキテクチャは、解剖学的および画像特異的な属性を効果的に分離し、堅牢で偏りのない潜在表現をもたらす。 大規模な実験は、UnORANIC+の復元能力、腐敗の回復力、および既存の画像歪みを修正する能力を示す。 本手法を先進的な医用画像解析のための有望なアルゴリズムとして位置づけた,多様な画像ソースとサンプルサイズのデータセットへの適応性を確認した。
  論文  参考訳（メタデータ） (2024-09-18T19:25:38Z)
• Distance-Preserving Generative Modeling of Spatial Transcriptomics [0.0]
  本稿では,空間転写学における距離保存型生成モデルについて紹介する。 得られた空間情報を用いて、類似した対距離構造を持つ遺伝子表現の学習表現空間を正規化する。 我々のフレームワークは、遺伝子発現モデリングのためのあらゆる変分推論に基づく生成モデルとの互換性を付与する。
  論文  参考訳（メタデータ） (2024-08-01T21:04:27Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• Spatially Resolved Gene Expression Prediction from Histology via Multi-view Graph Contrastive Learning with HSIC-bottleneck Regularization [18.554968935341236]
  本稿では,HSIC-bottleneck Regularization (ST-GCHB) を用いたマルチビューグラフ比較学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-18T03:07:25Z)
• Weakly Supervised Set-Consistency Learning Improves Morphological Profiling of Single-Cell Images [0.6491172192043603]
  単一セル画像における摂動効果の学習表現を改善するために,設定レベルの整合性学習アルゴリズムset-DINOを提案する。 5000以上の遺伝的摂動を伴う大規模光ポーリングスクリーニングデータセットの実験を行った。
  論文  参考訳（メタデータ） (2024-06-08T00:53:30Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Spatially Resolved Gene Expression Prediction from H&E Histology Images via Bi-modal Contrastive Learning [4.067498002241427]
  BLEEP(Bi-modaL Embedding for Expression Prediction)は、空間的に解決された遺伝子発現プロファイルを生成することができるバイモーダル埋め込みフレームワークである。 BLEEPはコントラスト学習を用いて、顕微鏡解像度でペア画像と表現プロファイルを用いて参照データセットから低次元の関節埋め込み空間を構築する。 10x Visiumプラットフォームを用いて取得したヒト肝組織データセットを用いて,BLEEPによる遺伝子発現予測の有効性を示す。
  論文  参考訳（メタデータ） (2023-06-02T18:27:26Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
  画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。 また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
  論文  参考訳（メタデータ） (2023-02-23T06:16:15Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。