論文の概要: Evaluating Multiple Instance Learning Strategies for Automated Sebocyte Droplet Counting

• arxiv url: http://arxiv.org/abs/2509.04895v1
• Date: Fri, 05 Sep 2025 08:15:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.52341
• Title: Evaluating Multiple Instance Learning Strategies for Automated Sebocyte Droplet Counting
• Title（参考訳）: 自動精液滴計数のためのマルチインスタンス学習戦略の評価
• Authors: Maryam Adelipour, Gustavo Carneiro, Jeongkwon Kim,
• Abstract要約: 脂肪細胞は脂質分泌細胞であり、分化は細胞内の脂質滴の蓄積によって特徴づけられる。 本稿では,セボサイト画像解析のためのシンプルな注意に基づくマルチインスタンス学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.511229116519427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sebocytes are lipid-secreting cells whose differentiation is marked by the accumulation of intracellular lipid droplets, making their quantification a key readout in sebocyte biology. Manual counting is labor-intensive and subjective, motivating automated solutions. Here, we introduce a simple attention-based multiple instance learning (MIL) framework for sebocyte image analysis. Nile Red-stained sebocyte images were annotated into 14 classes according to droplet counts, expanded via data augmentation to about 50,000 cells. Two models were benchmarked: a baseline multi-layer perceptron (MLP) trained on aggregated patch-level counts, and an attention-based MIL model leveraging ResNet-50 features with instance weighting. Experiments using five-fold cross-validation showed that the baseline MLP achieved more stable performance (mean MAE = 5.6) compared with the attention-based MIL, which was less consistent (mean MAE = 10.7) but occasionally superior in specific folds. These findings indicate that simple bag-level aggregation provides a robust baseline for slide-level droplet counting, while attention-based MIL requires task-aligned pooling and regularization to fully realize its potential in sebocyte image analysis.
• Abstract（参考訳）: セボサイトは、細胞内の脂質滴の蓄積によって分化が特徴付けられる脂質分泌細胞であり、その定量化はセボサイト生物学において重要な読み出しとなる。 手動計数は労働集約的で主観的であり、自動化されたソリューションを動機付けている。 本稿では,セボサイト画像解析のためのシンプルな注意に基づくマルチインスタンス学習(MIL)フレームワークを提案する。 ナイルレッド染色セボサイト画像は, 液滴数に応じて14クラスにアノテートし, データ拡張により約5万細胞に拡大した。 ベースライン多層パーセプトロン(MLP)はパッチレベルの集計に基づいて訓練され、アテンションベースのMILモデルはResNet-50の機能とインスタンス重み付けを利用する。 5倍のクロスバリデーションを用いた実験により、ベースラインのMLPはより安定な性能(平均MAE = 5.6)を達成し、注意ベースのMIL(平均MAE = 10.7)はより一貫性が低いが、特定の折りたたみに優れていた。 これらの結果から,単純な袋レベルの凝集はスライドレベルの液滴計数に堅牢なベースラインを提供するが,注意ベースのMILでは,セボサイト画像解析におけるその可能性を完全に実現するために,タスク整合プールと正規化が必要であることが示唆された。

関連論文リスト

• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• Position: From Correlation to Causation: Max-Pooling-Based Multi-Instance Learning Leads to More Robust Whole Slide Image Classification [51.95824566163554]
  我々は、十分に訓練された最大プーリングに基づくMILモデルが因果関係に基づく予測を行い、素早い相関に頼らずにすむことを論じる。 提案手法は,2つのデータセットにおいて,既存の注目度に基づく手法よりも優れている。
  論文  参考訳（メタデータ） (2024-08-18T12:15:22Z)
• 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)
• FlowCyt: A Comparative Study of Deep Learning Approaches for Multi-Class Classification in Flow Cytometry Benchmarking [1.6712896227173808]
  FlowCytは、フローコードされたデータにおいて、マルチクラスのシングルセル分類のための最初の包括的なベンチマークである。 このデータセットは、30人の患者の骨髄サンプルからなり、各細胞は12個のマーカーで特徴づけられる。
  論文  参考訳（メタデータ） (2024-02-28T15:01:59Z)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Feature Re-calibration based MIL for Whole Slide Image Classification [7.92885032436243]
  全スライド画像(WSI)分類は疾患の診断と治療の基本的な課題である。 本稿では,WSI バッグ (インスタンス) の分布を,最大インスタンス (クリティカル) 特性の統計値を用いて再校正することを提案する。 位置符号化モジュール(PEM)を用いて空間・形態情報をモデル化し,マルチヘッド自己アテンション(PSMA)をトランスフォーマーエンコーダでプーリングする。
  論文  参考訳（メタデータ） (2022-06-22T07:00:39Z)
• MSA-MIL: A deep residual multiple instance learning model based on multi-scale annotation for classification and visualization of glomerular spikes [9.432314992011099]
  膜性腎症の生検では,糸球体基底膜へのスパイク様投射がMNの顕著な特徴である。 本稿では,マルチスケールアノテーション・マルチインスタンス・ラーニング(MSA-MIL)に基づく可視化された分類モデルを構築し,球状分類とスパイクス・ビジュアライゼーションを実現する。
  論文  参考訳（メタデータ） (2020-07-02T03:49:44Z)

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。