論文の概要: HIEGNet: A Heterogenous Graph Neural Network Including the Immune Environment in Glomeruli Classification
- arxiv url: http://arxiv.org/abs/2506.02542v1
- Date: Tue, 03 Jun 2025 07:28:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-04 21:47:35.39705
- Title: HIEGNet: A Heterogenous Graph Neural Network Including the Immune Environment in Glomeruli Classification
- Title（参考訳）: 糸球体分類における免疫環境を含む異種グラフニューラルネットワークHIEGNet
- Authors: Niklas Kormann, Masoud Ramuz, Zeeshan Nisar, Nadine S. Schaadt, Hendrik Annuth, Benjamin Doerr, Friedrich Feuerhake, Thomas Lampert, Johannes F. Lutzeyer,
- Abstract要約: 本研究では、ノード、エッジ、およびそれに対応する特徴を識別し、異種グラフを形成するために、従来型および機械学習ベースのコンピュータビジョン技術からなるパイプラインを提案する。
そこで我々は,糸球体と周囲の免疫細胞を一体化した新規な糸球体分類用GNNアーキテクチャHIEGNetを提案する。
我々のHIEGNetは、腎臓移植患者の全スライド画像のデータセットを用いて、訓練され、試験された。実験結果、HIEGNetは、いくつかのベースラインモデルより優れ、全てのベースラインモデルの中で、患者間で最高の結果が得られている。
- 参考スコア（独自算出の注目度）: 8.65642501194779
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Neural Networks (GNNs) have recently been found to excel in histopathology. However, an important histopathological task, where GNNs have not been extensively explored, is the classification of glomeruli health as an important indicator in nephropathology. This task presents unique difficulties, particularly for the graph construction, i.e., the identification of nodes, edges, and informative features. In this work, we propose a pipeline composed of different traditional and machine learning-based computer vision techniques to identify nodes, edges, and their corresponding features to form a heterogeneous graph. We then proceed to propose a novel heterogeneous GNN architecture for glomeruli classification, called HIEGNet, that integrates both glomeruli and their surrounding immune cells. Hence, HIEGNet is able to consider the immune environment of each glomerulus in its classification. Our HIEGNet was trained and tested on a dataset of Whole Slide Images from kidney transplant patients. Experimental results demonstrate that HIEGNet outperforms several baseline models and generalises best between patients among all baseline models. Our implementation is publicly available at https://github.com/nklsKrmnn/HIEGNet.git.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、最近、病理組織学的に優れていることが判明した。
しかし、GNNが広く研究されていない重要な病理学的課題は、腎病理学の重要な指標として糸球体健康の分類である。
このタスクは、特にグラフの構成、すなわちノード、エッジ、情報的特徴の識別において、固有の困難を生じさせる。
本研究では、ノード、エッジ、およびそれに対応する特徴を識別し、異種グラフを形成するために、従来型および機械学習ベースのコンピュータビジョン技術からなるパイプラインを提案する。
そこで我々は,糸球体と周囲の免疫細胞を統合した,糸球体分類のための新規なヘテロジニアスGNNアーキテクチャ HIEGNet を提案する。
したがって、HIEGNetはその分類において各糸球体の免疫環境を考えることができる。
我々のHIEGNetは、腎臓移植患者の全スライド画像のデータセットを用いて訓練され、試験された。
実験の結果、HIEGNetは複数のベースラインモデルより優れており、全てのベースラインモデルの中で患者間で最高の結果が得られている。
私たちの実装はhttps://github.com/nklsKrmnn/HIEGNet.git.comで公開されています。
関連論文リスト
- Hypergraph Neural Networks Reveal Spatial Domains from Single-cell Transcriptomics Data [0.0]
空間的クラスタリングは、組織サンプルを細胞の様々なサブ集団に分類するために重要である。
ILISIスコアは,他の手法と比較して1.843と高い結果が得られた。
我々のモデルは下流クラスタリングにおいて他の手法よりも優れており、最高ARI値は0.51、スコアは0.60である。
論文 参考訳（メタデータ） (2024-10-23T23:32:50Z) - Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。
このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文 参考訳（メタデータ） (2023-12-16T14:09:23Z) - Graph Neural Network approaches for single-cell data: A recent overview [0.3277163122167433]
グラフニューラルネットワーク(GNN)は、遺伝子と細胞間の深いつながりを明らかにすることで、生医学と病気の理解を再構築している。
近年,シングルセルデータに適したGNN手法が注目されている。
このレビューは、GNNがシングルセル分析の中心となる未来を予測している。
論文 参考訳（メタデータ） (2023-10-14T11:09:17Z) - Compact & Capable: Harnessing Graph Neural Networks and Edge Convolution
for Medical Image Classification [0.0]
本稿では,重要なグラフノード間の接続を強く表現するために,RGBチャネルの特徴値の相互接続性を活用し,GNNとエッジ畳み込みを組み合わせた新しいモデルを提案する。
提案モデルでは,最新のDeep Neural Networks (DNN) と同等に動作するが,1000倍のパラメータが減少し,トレーニング時間とデータ要求が短縮される。
論文 参考訳（メタデータ） (2023-07-24T13:39:21Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。
HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。
ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2021-04-16T04:56:38Z) - Enhance Information Propagation for Graph Neural Network by
Heterogeneous Aggregations [7.3136594018091134]
グラフニューラルネットワークは、ディープラーニングの成功の継続として出現している。
ヘテロジニアスアグリゲーションを組み合わせることで,GNN層間の情報伝達を促進することを提案する。
我々は,多くのグラフ分類ベンチマークにおいて,HAG-Netの有効性を実証的に検証した。
論文 参考訳（メタデータ） (2021-02-08T08:57:56Z) - Heterogeneous Similarity Graph Neural Network on Electronic Health
Records [74.66674469510251]
非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。
フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。
GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
論文 参考訳（メタデータ） (2021-01-17T23:14:29Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳（メタデータ） (2020-10-05T04:57:18Z) - Self-supervised edge features for improved Graph Neural Network training [8.980876474818153]
我々は、自己教師付き学習と教師なし学習の組み合わせにより、任意のドメインに適用可能な新しいエッジ機能を作成するためのフレームワークを提案する。
本研究は, 単細胞RNAシークエンシングデータ, テキチンインビトロSARS-CoV-2感染, ヒトCOVID-19患者の3つの生物学的データセットについて検証した。
論文 参考訳（メタデータ） (2020-06-23T20:18:22Z) - EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。
EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。
これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
論文 参考訳（メタデータ） (2020-01-21T15:51:17Z)
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。