論文の概要: Synthetic-to-Real Transfer Learning for Chromatin-Sensitive PWS Microscopy

• arxiv url: http://arxiv.org/abs/2510.22239v1
• Date: Sat, 25 Oct 2025 10:00:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.996881
• Title: Synthetic-to-Real Transfer Learning for Chromatin-Sensitive PWS Microscopy
• Title（参考訳）: クロマチン感受性PWS顕微鏡のための合成-----レアル変換学習
• Authors: Jahidul Arafat, Sanjaya Poudel,
• Abstract要約: 本稿では,CFUデータに3段階のカリキュラムを組み込んだ階層型セグメンテーションアーキテクチャであるCFU Netを提案する。 提案手法は,実験的に支持されたパッキング統計,Mie散乱モデル,モーダリティ比雑音を取り入れた物理ベースのレンダリングと,逆方向の事前学習から分光微視的微視的チューニング,組織学的検証に至るまでのカリキュラムを併用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chromatin sensitive partial wave spectroscopic (csPWS) microscopy enables label free detection of nanoscale chromatin packing alterations that occur before visible cellular transformation. However, manual nuclear segmentation limits population scale analysis needed for biomarker discovery in early cancer detection. The lack of annotated csPWS imaging data prevents direct use of standard deep learning methods. We present CFU Net, a hierarchical segmentation architecture trained with a three stage curriculum on synthetic multimodal data. CFU Net achieves near perfect performance on held out synthetic test data that represent diverse spectroscopic imaging conditions without manual annotations (Dice 0.9879, IoU 0.9895). Our approach uses physics based rendering that incorporates empirically supported chromatin packing statistics, Mie scattering models, and modality specific noise, combined with a curriculum that progresses from adversarial RGB pretraining to spectroscopic fine tuning and histology validation. CFU Net integrates five architectural elements (ConvNeXt backbone, Feature Pyramid Network, UNet plus plus dense connections, dual attention, and deep supervision) that together improve Dice over a baseline UNet by 8.3 percent. We demonstrate deployment ready INT8 quantization with 74.9 percent compression and 0.15 second inference, giving a 240 times throughput gain over manual analysis. Applied to more than ten thousand automatically segmented nuclei from synthetic test data, the pipeline extracts chromatin biomarkers that distinguish normal from pre cancerous tissue with large effect sizes (Cohens d between 1.31 and 2.98), reaching 94 percent classification accuracy. This work provides a general framework for synthetic to real transfer learning in specialized microscopy and open resources for community validation on clinical specimens.
• Abstract（参考訳）: クロマチン感受性部分波分光(csPWS)顕微鏡は、可視細胞変換の前に起こるナノスケールのクロマチンパッキング変化をラベル無しで検出することができる。 しかし、手動による核分割は、早期がん検出におけるバイオマーカー発見に必要な集団スケール分析を制限している。 注釈付きcsPWS画像データの欠如は、標準的なディープラーニング手法の直接使用を妨げている。 合成マルチモーダルデータに3段階のカリキュラムを組み込んだ階層型セグメンテーションアーキテクチャであるCFU Netを提案する。 CFU Netは、手動アノテーションを使わずに様々な分光画像条件を表す合成試験データ(Dice 0.9879, IoU 0.9895)でほぼ完璧な性能を達成している。 提案手法は,実験的に支持されたクロマチン充填統計,マイル散乱モデル,モーダリティ特異的ノイズを取り入れた物理ベースのレンダリングと,逆RGB事前学習から分光微視的微視的チューニング,組織学的検証までを併用したカリキュラムを用いている。 CFU Netは5つのアーキテクチャ要素(ConvNeXtバックボーン、Feature Pyramid Network、UNet、高密度接続、デュアルアテンション、ディープ監視)を統合し、ベースラインのUNetよりもDiceを8.3%改善している。 我々は、74.9%の圧縮と0.15秒の推論でINT8量子化が可能なデプロイメントを実証し、手作業による解析よりも240倍のスループット向上を実現した。 合成試験データから1万以上の自動的に分割された核に対して、パイプラインは、正常ながん前組織と大きな効果サイズ(Cohens d は 1.31 から 2.98 まで)を区別するクロマチンバイオマーカーを抽出し、94%の精度で分類する。 本研究は, 臨床検体におけるコミュニティの検証を目的とした, 特殊な顕微鏡およびオープンリソースを用いた, 合成・実移動学習のための一般的な枠組みを提供する。

関連論文リスト

• Skin Cancer Classification: Hybrid CNN-Transformer Models with KAN-Based Fusion [0.0]
  Convolutional Kolmogorov-Arnold Network (CKAN) を用いた逐次および並列ハイブリッドCNN-Transformerモデルについて検討する。 そこでCNNは局所的な空間的特徴を抽出し、トランスフォーマーはグローバルな依存関係をモデル化し、CKANは表現学習を改善するために非線形な特徴融合を促進する。 HAM10000データセットで92.81%の精度と92.47%のF1スコア、PAD-UFESデータセットで97.83%のF1スコア、91.79%のF1スコア、91.17%のF1スコアを示す。
  論文  参考訳（メタデータ） (2025-08-17T19:57:34Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• Hybrid Ensemble of Segmentation-Assisted Classification and GBDT for Skin Cancer Detection with Engineered Metadata and Synthetic Lesions from ISIC 2024 Non-Dermoscopic 3D-TBP Images [0.0]
  本研究は,皮膚病変の分類のためのハイブリッドマシンと深層学習に基づくアプローチを提案する。 3D全体写真(TBP)から抽出した401,059個の画像からなり、非皮膚内視鏡的なスマートフォンのような状態をエミュレートする。 予測は、エンジニアリングされた特徴と患者固有の関係指標によって強化された、勾配ブースト決定木(GBDT)アンサンブルで融合される。
  論文  参考訳（メタデータ） (2025-06-03T22:00:03Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• A Hyperspectral Imaging Dataset and Methodology for Intraoperative Pixel-Wise Classification of Metastatic Colon Cancer in the Liver [0.0]
  ハイパースペクトルイメージングは、計算病理学の分野を変える大きな可能性を秘めている。 現在、ディープラーニング(DL)モデルのトレーニングに必要な画素単位の注釈付きHSIデータが不足している。 肝転移14例から収集したヘマトキシリン-エオシン染色凍結部27HSIのデータベースを報告する。
  論文  参考訳（メタデータ） (2024-11-11T13:17:55Z)
• Multimodal Prototyping for cancer survival prediction [45.61869793509184]
  ギガピクセルヒストロジー全体スライディング画像(WSI)と転写学的プロファイルを組み合わせたマルチモーダルサバイバル法は,患者の予後と成層化に特に有望である。 現在のアプローチでは、WSIを小さなパッチ(>10,000パッチ)にトークン化し、トランスクリプトミクスを遺伝子グループに分割し、結果を予測するためにTransformerを使用して統合する。 このプロセスは多くのトークンを生成し、これは注意を計算するための高いメモリ要求をもたらし、ポストホック解釈可能性分析を複雑にする。 我々のフレームワークは、新しい解釈可能性解析を解き放ちながら、はるかに少ない計算で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-06-28T20:37:01Z)
• Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
  本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。 異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。 このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
  論文  参考訳（メタデータ） (2024-03-26T12:20:10Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Free-form Lesion Synthesis Using a Partial Convolution Generative Adversarial Network for Enhanced Deep Learning Liver Tumor Segmentation [3.3148826359547523]
  本研究の目的は,ネットワークトレーニングの強化に使用できる合成病変を生成するための深層学習フレームワークを開発することである。 病変合成ネットワークはGAN(Modified Generative Adversarial Network)である 判別器は、勾配ペナルティとスペクトル正規化を備えたワッサーシュタインGANを用いて設計されている。
  論文  参考訳（メタデータ） (2022-06-18T00:40:41Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。