論文の概要: Sparser2Sparse: Single-shot Sparser-to-Sparse Learning for Spatial Transcriptomics Imputation with Natural Image Co-learning

• arxiv url: http://arxiv.org/abs/2507.16886v1
• Date: Tue, 22 Jul 2025 17:58:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.718917
• Title: Sparser2Sparse: Single-shot Sparser-to-Sparse Learning for Spatial Transcriptomics Imputation with Natural Image Co-learning
• Title（参考訳）: Sparser2Sparse:自然画像コラーニングによる空間的トランスクリプトミクスインプットのための単発スペーサー・ツー・スパース学習
• Authors: Yaoyu Fang, Jiahe Qian, Xinkun Wang, Lee A. Cooper, Bo Zhou,
• Abstract要約: 本稿では,S2S-ST(Single-shot Sparser-to-Sparse)について述べる。 我々のフレームワークは、コトレーニングのために広く利用可能な自然画像とともに、単一かつ低コストでサンプル化されたSTデータセットのみを必要とする。
• 参考スコア（独自算出の注目度）: 1.7603474309877931
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial transcriptomics (ST) has revolutionized biomedical research by enabling high resolution gene expression profiling within tissues. However, the high cost and scarcity of high resolution ST data remain significant challenges. We present Single-shot Sparser-to-Sparse (S2S-ST), a novel framework for accurate ST imputation that requires only a single and low-cost sparsely sampled ST dataset alongside widely available natural images for co-training. Our approach integrates three key innovations: (1) a sparser-to-sparse self-supervised learning strategy that leverages intrinsic spatial patterns in ST data, (2) cross-domain co-learning with natural images to enhance feature representation, and (3) a Cascaded Data Consistent Imputation Network (CDCIN) that iteratively refines predictions while preserving sampled gene data fidelity. Extensive experiments on diverse tissue types, including breast cancer, liver, and lymphoid tissue, demonstrate that our method outperforms state-of-the-art approaches in imputation accuracy. By enabling robust ST reconstruction from sparse inputs, our framework significantly reduces reliance on costly high resolution data, facilitating potential broader adoption in biomedical research and clinical applications.
• Abstract（参考訳）: 空間転写学(ST)は、組織内での高分解能遺伝子発現プロファイリングを可能にすることによって、生物医学研究に革命をもたらした。 しかし、高解像度STデータの高コスト化と不足は依然として大きな課題である。 本稿では,S2S-ST(Single-shot Sparser-to-Sparse)について述べる。S2S-ST(Single-shot Sparser-to-Sparse)は,S2S-ST(Single-shot Sparser-to-Sparse)という,S2S-ST(Single-shot Sparser-to-Sparse)という,S2S-ST(Single-shot Sparser-to-ST)という,S2S-ST(Single-shot Sparser-to-ST)とS2S-ST(Sing-ST)を併用する。 提案手法は,(1)STデータに内在する空間パターンを活用するスペーサー・ツー・スパース・セルフ教師付き学習戦略,(2)自然画像とのクロスドメイン協調学習による特徴表現の強化,(3)サンプルされた遺伝子データの忠実性を維持しながら予測を反復的に洗練するカスケードデータ一貫性インプットネットワーク(CDCIN)の3つの重要なイノベーションを統合する。 乳がん,肝臓,リンパ組織など多彩な組織タイプに関する広範囲にわたる実験により,本手法はインパルスの精度において最先端のアプローチよりも優れていることが示された。 スパース入力から頑健なST再構成を可能にすることにより,コストの高い高解像度データへの依存を著しく低減し,バイオメディカル研究や臨床応用に広く採用される可能性が示唆された。

関連論文リスト

• CoCoLIT: ControlNet-Conditioned Latent Image Translation for MRI to Amyloid PET Synthesis [2.333160549379721]
  三次元神経画像データの高次元的・構造的複雑さはMRIからPETへの翻訳に課題をもたらす。 本稿では,3つの主要なイノベーションを取り入れた拡散型遅延生成フレームワークであるCoCoLITを紹介する。 我々は、公開データセット上でのCoCoLITの性能を評価し、我々のモデルが画像ベースとアミロイド関連メトリクスの両方で最先端の手法を大幅に上回っていることを発見した。
  論文  参考訳（メタデータ） (2025-08-02T09:58:30Z)
• SPADE: Spatial Transcriptomics and Pathology Alignment Using a Mixture of Data Experts for an Expressive Latent Space [8.576634724266228]
  本研究では,空間転写学データと病理組織学を統合し,画像表現学習を指導する基礎モデルSPADEを紹介する。 SPADEは14のダウンストリームタスクで評価され、ベースラインモデルと比較して非常に優れた数ショット性能を示している。
  論文  参考訳（メタデータ） (2025-06-27T02:20:51Z)
• SemanticST: Spatially Informed Semantic Graph Learning for Clustering, Integration, and Scalable Analysis of Spatial Transcriptomics [3.1403380447856426]
  本稿では,空間転写学解析のためのグラフベースのディープラーニングフレームワークSemanticSTを提案する。 ミニバッチトレーニングをサポートしており、Xenium(50,000セル)のような大規模データセットにスケーラブルなグラフニューラルネットワークとしては初めてのものだ。
  論文  参考訳（メタデータ） (2025-06-13T06:30:48Z)
• Improving Heart Rejection Detection in XPCI Images Using Synthetic Data Augmentation [0.0]
  StyleGANは利用可能な3Rバイオプシーパッチで訓練され、その後、1万のリアルな合成画像を生成するために使用された。 これらは、ResNet-18分類器をバイナリーリジェクション分類のために訓練するための様々な構成において、レジェクション無しのサンプルである実際の0Rサンプルと組み合わせられた。 その結果, 実検体と組み合わせて使用する場合, 合成データにより分類性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-05-26T09:26:36Z)
• PH2ST:ST-Prompt Guided Histological Hypergraph Learning for Spatial Gene Expression Prediction [9.420121324844066]
  本稿では,空間的遺伝子発現予測のためのマルチスケールな組織学的表現学習を支援するために,プロンプト誘導型ハイパーグラフ学習フレームワークPH2STを提案する。 PH2STは既存の最先端手法に勝るだけでなく、欠落点の計算、ST超解像、局所-グローバル予測などの実用的な応用にも大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-21T03:10:43Z)
• HCS-TNAS: Hybrid Constraint-driven Semi-supervised Transformer-NAS for Ultrasound Image Segmentation [0.34089646689382486]
  超音波セグメンテーションのためのハイブリッド拘束駆動半教師型トランスフォーマー-NAS(HCS-TNAS)を提案する。 HCS-TNASは、ViTのアテンション計算の前に、マルチスケールトークン検索のための効率的なNAS-ViTモジュールを含み、より少ない計算コストでコンテキスト情報とローカル情報を効果的にキャプチャする。 公開データセットの実験では、HCS-TNASが最先端のパフォーマンスを達成し、超音波セグメンテーションの限界を押し上げることが示されている。
  論文  参考訳（メタデータ） (2024-07-05T01:02:12Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)

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。