論文の概要: Automatic Classification of Circulating Blood Cell Clusters based on Multi-channel Flow Cytometry Imaging

• arxiv url: http://arxiv.org/abs/2510.17716v1
• Date: Mon, 20 Oct 2025 16:32:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.527905
• Title: Automatic Classification of Circulating Blood Cell Clusters based on Multi-channel Flow Cytometry Imaging
• Title（参考訳）: 多チャンネルフローサイトメトリーイメージングによる循環血球クラスターの自動分類
• Authors: Suqiang Ma, Subhadeep Sengupta, Yao Lee, Beikang Gu, Xianyan Chen, Xianqiao Wang, Yang Liu, Mengjia Xu, Galit H. Frydman, He Li,
• Abstract要約: 赤血球(RBCs)、白血球(WBCs)、血小板を含む循環血液細胞クラスター(CCCs)は、血栓症、感染、炎症などの病態に関連する重要なバイオマーカーである。 蛍光染色と組み合わせたフローは、これらの細胞クラスターを解析するために一般的に使われ、細胞の形態やタンパク質のプロファイルを明らかにする。 本研究では,CCC画像の解析とクラスタ内のセルタイプ同定のための新しい計算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）: 7.696386233227689
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Circulating blood cell clusters (CCCs) containing red blood cells (RBCs), white blood cells(WBCs), and platelets are significant biomarkers linked to conditions like thrombosis, infection, and inflammation. Flow cytometry, paired with fluorescence staining, is commonly used to analyze these cell clusters, revealing cell morphology and protein profiles. While computational approaches based on machine learning have advanced the automatic analysis of single-cell flow cytometry images, there is a lack of effort to build tools to automatically analyze images containing CCCs. Unlike single cells, cell clusters often exhibit irregular shapes and sizes. In addition, these cell clusters often consist of heterogeneous cell types, which require multi-channel staining to identify the specific cell types within the clusters. This study introduces a new computational framework for analyzing CCC images and identifying cell types within clusters. Our framework uses a two-step analysis strategy. First, it categorizes images into cell cluster and non-cluster groups by fine-tuning the You Only Look Once(YOLOv11) model, which outperforms traditional convolutional neural networks (CNNs), Vision Transformers (ViT). Then, it identifies cell types by overlaying cluster contours with regions from multi-channel fluorescence stains, enhancing accuracy despite cell debris and staining artifacts. This approach achieved over 95% accuracy in both cluster classification and phenotype identification. In summary, our automated framework effectively analyzes CCC images from flow cytometry, leveraging both bright-field and fluorescence data. Initially tested on blood cells, it holds potential for broader applications, such as analyzing immune and tumor cell clusters, supporting cellular research across various diseases.
• Abstract（参考訳）: 赤血球(RBCs)、白血球(WBCs)、血小板を含む循環血液細胞クラスター(CCCs)は、血栓症、感染、炎症などの病態に関連する重要なバイオマーカーである。 フローサイトメトリーは、蛍光染色と組み合わせて、これらの細胞クラスターを分析し、細胞の形態やタンパク質のプロファイルを明らかにするために一般的に用いられる。 機械学習に基づく計算手法は単細胞フローサイトメトリー画像の自動解析を進歩させてきたが、CCCを含む画像を自動的に解析するツールを構築するための努力が不足している。 単細胞とは異なり、細胞クラスターはしばしば不規則な形や大きさを示す。 さらに、これらの細胞クラスターは、しばしば異種細胞型からなり、クラスタ内の特定の細胞タイプを特定するために、マルチチャネル染色を必要とする。 本研究では,CCC画像を解析し,クラスタ内のセルタイプを特定するための新しい計算フレームワークを提案する。 私たちのフレームワークは2段階の分析戦略を使用します。 まず、従来の畳み込みニューラルネットワーク(CNN)、ビジョントランスフォーマー(ViT)よりも優れたYou Only Look Once(YOLOv11)モデルを微調整することで、イメージをセルクラスタと非クラスタグループに分類する。 そして、多チャンネル蛍光染色の領域とクラスター輪郭をオーバーレイすることで細胞タイプを特定し、細胞の破片や染色物に拘わらず精度を向上する。 このアプローチは、クラスタ分類と表現型識別の両方において95%以上の精度を達成した。 まとめると、我々の自動フレームワークはフローサイトメトリーからCCC画像を効果的に分析し、明るさ場と蛍光データの両方を活用する。 当初は血液細胞で試験されたが、免疫や腫瘍細胞クラスターの分析、様々な疾患における細胞研究の支援など、幅広い応用の可能性を秘めている。

関連論文リスト

• 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)
• 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)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• 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)
• Multi-stream Cell Segmentation with Low-level Cues for Multi-modality Images [66.79688768141814]
  我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。 次に、分類ラベルに基づいて分類モデルを訓練する。 2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
  論文  参考訳（メタデータ） (2023-10-22T08:11:08Z)
• Machine learning based lens-free imaging technique for field-portable cytometry [0.0]
  提案手法の精度は98%に向上し,多くの細胞に対して5dB以上の信号が増強された。 モデルは、数回の学習イテレーションで新しいタイプのサンプルを学ぶために適応し、新しく導入されたサンプルをうまく分類することができる。
  論文  参考訳（メタデータ） (2022-03-02T07:09:29Z)
• Attention based Multiple Instance Learning for Classification of Blood Cell Disorders [38.086308180994976]
  血液細胞障害患者の血液サンプルを分類するために,注意に基づく多症例学習法を提案する。 各細胞から抽出された特徴により、患者サンプルを4つの血液細胞障害のうち1つに分類する。 注意機構は、各セルの全体的な分類への貢献度を測定し、ネットワークの分類精度と医療専門家に対する解釈可能性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-07-22T19:29:40Z)
• 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。