論文の概要: Detecting immune cells with label-free two-photon autofluorescence and deep learning

• arxiv url: http://arxiv.org/abs/2506.14449v1
• Date: Tue, 17 Jun 2025 12:14:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.459748
• Title: Detecting immune cells with label-free two-photon autofluorescence and deep learning
• Title（参考訳）: ラベルのない2光子自己蛍光と深層学習による免疫細胞の検出
• Authors: Lucas Kreiss, Amey Chaware, Maryam Roohian, Sarah Lemire, Oana-Maria Thoma, Birgitta Carlé, Maximilian Waldner, Sebastian Schürmann, Oliver Friedrich, Roarke Horstmeyer,
• Abstract要約: 我々は、このラベルのないAFを入力として、細胞タイプを分類するために畳み込みニューラルネットワーク(CNN)を訓練した。 低複雑さのSwitchNetアーキテクチャは、信頼できる免疫細胞分類結果を達成することができた。 将来的には、このような予測型DLモデルは、定着していない画像の特定の免疫細胞を直接検出できるだろう。
• 参考スコア（独自算出の注目度）: 2.096497520824982
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Label-free imaging has gained broad interest because of its potential to omit elaborate staining procedures which is especially relevant for in vivo use. Label-free multiphoton microscopy (MPM), for instance, exploits two-photon excitation of natural autofluorescence (AF) from native, metabolic proteins, making it ideal for in vivo endomicroscopy. Deep learning (DL) models have been widely used in other optical imaging technologies to predict specific target annotations and thereby digitally augment the specificity of these label-free images. However, this computational specificity has only rarely been implemented for MPM. In this work, we used a data set of label-free MPM images from a series of different immune cell types (5,075 individual cells for binary classification in mixed samples and 3,424 cells for a multi-class classification task) and trained a convolutional neural network (CNN) to classify cell types based on this label-free AF as input. A low-complexity squeezeNet architecture was able to achieve reliable immune cell classification results (0.89 ROC-AUC, 0.95 PR-AUC, for binary classification in mixed samples; 0.689 F1 score, 0.697 precision, 0.748 recall, and 0.683 MCC for six-class classification in isolated samples). Perturbation tests confirmed that the model is not confused by extracellular environment and that both input AF channels (NADH and FAD) are about equally important to the classification. In the future, such predictive DL models could directly detect specific immune cells in unstained images and thus, computationally improve the specificity of label-free MPM which would have great potential for in vivo endomicroscopy.
• Abstract（参考訳）: ラベルフリーイメージングは、特に生体内での使用に関係のある精巧な染色手順を省略する可能性から、広く関心を集めている。 例えば、ラベルフリー多光子顕微鏡(MPM)は天然の代謝タンパク質からの自然蛍光(AF)の2光子励起を利用して、生体内内視鏡に最適である。 深層学習(DL)モデルは、特定のターゲットアノテーションを予測するために他の光学イメージング技術で広く使われており、それによってラベルのない画像の特異性をデジタル化している。 しかし、この計算特異性は MPM に実装されることは稀である。 本研究では,一連の異なる免疫細胞タイプ(混合試料のバイナリ分類に5,075細胞,多クラス分類に3,424細胞)のラベルフリーMPM画像のデータセットを用いて,このラベルフリーAFに基づいて,畳み込みニューラルネットワーク(CNN)を入力として分類した。 低複雑さのSwitchNetアーキテクチャは、信頼性の高い免疫細胞分類結果を達成することができた(混合試料のバイナリ分類は0.89 ROC-AUC、PR-AUC、0.689 F1スコア、0.697精度、0.748リコール、0.683MCC)。 摂動試験により, モデルが細胞外環境に混同されず, 入力AFチャネル(NADH, FAD)がほぼ同程度に重要であることを確認した。 将来的には、そのような予測型DLモデルは、固定されていない画像中の特定の免疫細胞を直接検出し、生体内内視鏡において大きな可能性を秘めているラベルなしMPMの特異性を改善することができる。

関連論文リスト

• MIPHEI-ViT: Multiplex Immunofluorescence Prediction from H&E Images using ViT Foundation Models [2.2802322828460864]
  我々は、最先端のViT基盤モデルをエンコーダとして統合し、H&E画像からmIF信号を予測するU-NetにインスパイアされたアーキテクチャであるMIPHEIを紹介する。 大腸癌組織から得られた残留H&EおよびmIF画像のORIONデータセットを用いて,本モデルをトレーニングした。 MIPHEIはH&Eだけで正確な細胞型分類を実現しており、Pan-CKは0.88点、CD3eは0.57点、SMAは0.56点、CD68は0.36点、CD20は0.30点である。
  論文  参考訳（メタデータ） (2025-05-15T13:42:48Z)
• DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
  DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。 DiffKillRは、大規模な顕微鏡画像間でアノテーションを効率よく伝播し、広範囲な手動ラベリングの必要性を減らす。 我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
  論文  参考訳（メタデータ） (2024-10-04T00:38:29Z)
• Semi-supervised variational autoencoder for cell feature extraction in multiplexed immunofluorescence images [40.234346302444536]
  本稿では,教師付き変分オートエンコーダを用いた深層学習に基づくセル特徴抽出モデルを提案する。 乳がん患者の1,093個の組織マイクロアレイコアから抽出した44,000個以上の多重蛍光細胞像のコホートを用いて細胞表現型分類を行う。
  論文  参考訳（メタデータ） (2024-06-22T04:32:50Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• Immunocto: a massive immune cell database auto-generated for histopathology [0.0]
  イムノクトは、6,848,454個のヒト細胞とオブジェクトを自動生成するデータベースです。 各セルに対して、64$times$64ピクセル、$mathbf40times$倍率で2$H&E画像と、核とラベルのバイナリマスクを提供する。 免疫細胞で訓練された深層学習モデルは、リンパ球検出のための最先端のパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2024-06-03T17:03:58Z)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• Automated Phenotyping via Cell Auto Training (CAT) on the Cell DIVE Platform [0.5599792629509229]
  多重蛍光画像を用いた自動トレーニングセットを用いて, 組織試料中の細胞の自動分類法を提案する。 本発明の方法は、ロバストなハイパープレックス免疫蛍光プラットフォーム上の1つの組織部位に、その場で染色された複数のマーカーを利用する。
  論文  参考訳（メタデータ） (2020-07-18T16:45:32Z)

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。