論文の概要: TopoCellGen: Generating Histopathology Cell Topology with a Diffusion Model
- arxiv url: http://arxiv.org/abs/2412.06011v2
- Date: Tue, 25 Mar 2025 03:02:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 20:13:23.320910
- Title: TopoCellGen: Generating Histopathology Cell Topology with a Diffusion Model
- Title（参考訳）: TopoCellGen:拡散モデルによる病理組織細胞トポロジーの生成
- Authors: Meilong Xu, Saumya Gupta, Xiaoling Hu, Chen Li, Shahira Abousamra, Dimitris Samaras, Prateek Prasanna, Chao Chen,
- Abstract要約: 本研究では,トポロジ制約を拡散モデルに統合し,現実的で文脈的に正確なセルトポロジの生成を改善する手法を提案する。
本手法は, セル分布と相互作用のシミュレーションを改良し, 下流タスクにおける結果の精度と解釈可能性を高める。
- 参考スコア（独自算出の注目度）: 32.670806339139034
- License:
- Abstract: Accurately modeling multi-class cell topology is crucial in digital pathology, as it provides critical insights into tissue structure and pathology. The synthetic generation of cell topology enables realistic simulations of complex tissue environments, enhances downstream tasks by augmenting training data, aligns more closely with pathologists' domain knowledge, and offers new opportunities for controlling and generalizing the tumor microenvironment. In this paper, we propose a novel approach that integrates topological constraints into a diffusion model to improve the generation of realistic, contextually accurate cell topologies. Our method refines the simulation of cell distributions and interactions, increasing the precision and interpretability of results in downstream tasks such as cell detection and classification. To assess the topological fidelity of generated layouts, we introduce a new metric, Topological Frechet Distance (TopoFD), which overcomes the limitations of traditional metrics like FID in evaluating topological structure. Experimental results demonstrate the effectiveness of our approach in generating multi-class cell layouts that capture intricate topological relationships. Code is available at https://github.com/Melon-Xu/TopoCellGen.
- Abstract（参考訳）: 多クラス細胞トポロジーの正確なモデリングは、組織構造と病理に関する重要な洞察を提供するため、デジタル病理学において重要である。
細胞トポロジーの合成は、複雑な組織環境の現実的なシミュレーションを可能にし、トレーニングデータを増強することで下流タスクを強化し、病理学者のドメイン知識とより密に連携し、腫瘍微小環境の制御と一般化のための新たな機会を提供する。
本稿では,トポロジ制約を拡散モデルに統合し,現実的で文脈的に正確なセルトポロジの生成を改善する手法を提案する。
本手法は,セルの分布と相互作用のシミュレーションを改良し,セル検出や分類などの下流タスクにおける結果の精度と解釈可能性を高める。
生成したレイアウトのトポロジカル忠実度を評価するために,新しい計量であるトポロジカルフレシェト距離(TopoFD)を導入し,トポロジカル構造の評価におけるFIDのような従来の指標の限界を克服する。
実験により, 複雑なトポロジカルな関係を捉えたマルチクラスセルレイアウトの生成において, 提案手法の有効性が示された。
コードはhttps://github.com/Melon-Xu/TopoCellGenで入手できる。
関連論文リスト
- CoTCoNet: An Optimized Coupled Transformer-Convolutional Network with an Adaptive Graph Reconstruction for Leukemia Detection [0.3573481101204926]
白血病の分類のためのCoTCoNet(Coupled Transformer Convolutional Network)フレームワークを提案する。
我々のフレームワークは、包括的グローバル特徴とスケーラブルな空間パターンを捉え、複雑で大規模な血液学的特徴の同定を可能にする。
それぞれ0.9894と0.9893のF1スコアレートを達成している。
論文 参考訳（メタデータ） (2024-10-11T13:31:28Z) - 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) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - 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) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z) - A novel framework employing deep multi-attention channels network for
the autonomous detection of metastasizing cells through fluorescence
microscopy [0.20999222360659603]
正常細胞と転移細胞を区別できる計算フレームワークを開発した。
この方法は、正常で転移する単細胞においてアクチンとビメンチンフィラメントの空間的構造を示す蛍光顕微鏡画像に依存する。
論文 参考訳（メタデータ） (2023-09-02T11:20:10Z) - Topology-Guided Multi-Class Cell Context Generation for Digital
Pathology [28.43244574309888]
空間統計学とトポロジカルデータ解析の数学的ツールをいくつか紹介する。
高品質なマルチクラスセルレイアウトを初めて生成する。
トポロジに富んだセルレイアウトは,データ拡張やセル分類などの下流タスクの性能向上に有効であることを示す。
論文 参考訳（メタデータ） (2023-04-05T07:01:34Z) - Inference of cell dynamics on perturbation data using adjoint
sensitivity [4.606583317143614]
データ駆動型細胞生物学のダイナミックモデルを用いて、目に見えない摂動に対する細胞の反応を予測することができる。
最近の研究は、明示的な相互作用項を持つ解釈可能なモデルの導出を実証した。
本研究は,このモデル推論手法の適用範囲を生物システムの多様性に拡張することを目的としている。
論文 参考訳（メタデータ） (2021-04-13T19:15:56Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - 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) - HACT-Net: A Hierarchical Cell-to-Tissue Graph Neural Network for
Histopathological Image Classification [11.051615198681565]
本稿では,組織の構造的描写を改善するために,新しい階層型細胞-組織グラフ(HACT)表現法を提案する。
低レベルの細胞グラフ、細胞形態と相互作用のキャプチャー、高レベルの組織グラフ、組織部分の形態と空間分布のキャプチャー、および細胞間階層で構成されている。
本手法は,H&E染色胸腺癌全体から注目される組織領域のアノテートについて検討した。
論文 参考訳（メタデータ） (2020-07-01T16:22:48Z)
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。