論文の概要: Segmentation-free integration of nuclei morphology and spatial transcriptomics for retinal images

• arxiv url: http://arxiv.org/abs/2502.13974v1
• Date: Sat, 08 Feb 2025 14:03:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 03:22:50.434474
• Title: Segmentation-free integration of nuclei morphology and spatial transcriptomics for retinal images
• Title（参考訳）: 網膜画像における原子核形態と空間転写学のセグメンテーションフリー統合
• Authors: Eduard Chelebian, Pratiti Dasgupta, Zainalabedin Samadi, Carolina Wählby, Amjad Askary,
• Abstract要約: SEFI(Segmentation-Free Integration)は、細胞核の形態的特徴と空間転写学データを統合する新しい方法である。 マルチプレックス単一分子Fluorescence In Situ Hybridization (smFISH)を用いて得られた発達期網膜の空間分解遺伝子発現プロファイルについてSEFIを実証する。
• 参考スコア（独自算出の注目度）: 1.2200074914789645
• License:
• Abstract: This study introduces SEFI (SEgmentation-Free Integration), a novel method for integrating morphological features of cell nuclei with spatial transcriptomics data. Cell segmentation poses a significant challenge in the analysis of spatial transcriptomics data, as tissue-specific structural complexities and densely packed cells in certain regions make it difficult to develop a universal approach. SEFI addresses this by utilizing self-supervised learning to extract morphological features from fluorescent nuclear staining images, enhancing the clustering of gene expression data without requiring segmentation. We demonstrate SEFI on spatially resolved gene expression profiles of the developing retina, acquired using multiplexed single molecule Fluorescence In Situ Hybridization (smFISH). SEFI is publicly available at https://github.com/eduardchelebian/sefi.
• Abstract（参考訳）: 本研究は,細胞核の形態的特徴と空間転写学データを統合する新しい方法であるSEFI(SEgmentation-Free Integration)を紹介する。 細胞セグメンテーションは、組織特異的な構造的複雑さと特定の領域に密に充填された細胞が普遍的なアプローチを開発するのを困難にしているため、空間転写学データの解析において重要な課題となる。 SEFIは、自己教師付き学習を利用して蛍光核染色画像から形態的特徴を抽出し、セグメンテーションを必要とせずに遺伝子発現データのクラスタリングを強化することでこの問題に対処する。 マルチプレクシド単一分子Fluorescence In Situ Hybridization (smFISH) を用いて得られた発達網膜の空間分解遺伝子発現プロファイルについてSEFIを実証した。 SEFIはhttps://github.com/eduardchelebian/sefi.comで公開されている。

関連論文リスト

• HistoSmith: Single-Stage Histology Image-Label Generation via Conditional Latent Diffusion for Enhanced Cell Segmentation and Classification [0.19791587637442667]
  本研究は, 画像ラベルペア生成のための新しい単一ステージアプローチを導入し, 組織学データセットを増強する。 ラベル生成と画像生成を分離した拡散モデルを用いる最先端の手法とは異なり,本手法では遅延拡散モデルを用いる。 このモデルは、細胞タイプ、量、組織タイプなどのユーザ定義パラメータを条件付けすることで、データ生成の調整を可能にする。
  論文  参考訳（メタデータ） (2025-02-12T19:51:41Z)
• Multi-modal Spatial Clustering for Spatial Transcriptomics Utilizing High-resolution Histology Images [1.3124513975412255]
  空間転写学(spatial transcriptomics, ST)は、空間的文脈を保ちながら、転写産物全体の遺伝子発現プロファイリングを可能にする。 現在の空間クラスタリング法では、高解像度の組織像と遺伝子発現データを完全に統合することができない。 本稿では、遺伝子発現データと組織像の特徴を融合した、新しいコントラスト学習に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T00:32:24Z)
• MorphoSeg: An Uncertainty-Aware Deep Learning Method for Biomedical Segmentation of Complex Cellular Morphologies [5.50767638479269]
  深層学習は医学や生物学的イメージング、特にセグメンテーションのタスクに革命をもたらした。 細胞の形態の多様性と複雑さのため、生物学的な細胞を分断することは依然として困難である。 我々は多能性癌細胞株であるNtera-2細胞の新しいベンチマークデータセットを導入する。 トレーニング中の低線量領域からの仮想アウトリーチのサンプリングを取り入れた,複雑な細胞形態区分(MorphoSeg)のための不確実性を考慮したディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-25T17:25:06Z)
• 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)
• 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)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• 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)
• Cell Spatial Analysis in Crohn's Disease: Unveiling Local Cell Arrangement Pattern with Graph-based Signatures [19.24727395217543]
  クローン病(Crohn's disease, CD)は、慢性的に再発する炎症性疾患である。 細胞数や組織形態以外の より広い形態計測と 局所的な配列を理解することは 依然として困難です 我々は,H&E画像から6種類の異なる細胞を特徴付け,各細胞の局所的空間的シグネチャに対する新しいアプローチを開発した。
  論文  参考訳（メタデータ） (2023-08-20T05:26:25Z)
• 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)
• 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。