論文の概要: Spatial self-supervised Peak Learning and correlation-based Evaluation of peak picking in Mass Spectrometry Imaging

• arxiv url: http://arxiv.org/abs/2603.10487v1
• Date: Wed, 11 Mar 2026 07:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.826914
• Title: Spatial self-supervised Peak Learning and correlation-based Evaluation of peak picking in Mass Spectrometry Imaging
• Title（参考訳）: マス・スペクトロメトリ・イメージングにおける空間自己教師型ピーク学習と相関に基づくピークピッキングの評価
• Authors: Philipp Weigand, Nikolas Ebert, Shad A. Mohammed, Denis Abu Sammour, Carsten Hopf, Oliver Wasenmüller,
• Abstract要約: 質量分析法(Mass Spectrometry imaging)は、組織サンプル間の分子分布をラベル無しで可視化することを可能にする。 既存のピークピッキングアプローチは、異種データセット間で不整合に実行される。 本稿では,空間的に構造化されたピークを選択する自己エンコーダに基づく空間自己教師型ピーク学習ニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 0.08208704543835962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mass spectrometry imaging (MSI) enables label-free visualization of molecular distributions across tissue samples but generates large and complex datasets that require effective peak picking to reduce data size while preserving meaningful biological information. Existing peak picking approaches perform inconsistently across heterogeneous datasets, and their evaluation is often limited to synthetic data or manually selected ion images that do not fully represent real-world challenges in MSI. To address these limitations, we propose an autoencoder-based spatial self-supervised peak learning neural network that selects spatially structured peaks by learning an attention mask leveraging both spatial and spectral information. We further introduce an evaluation procedure based on expert-annotated segmentation masks, allowing a more representative and spatially grounded assessment of peak picking performance. We evaluate our approach on four diverse public MSI datasets using our proposed evaluation procedure. Our approach consistently outperforms state-of-the-art peak picking methods by selecting spatially structured peaks, thus demonstrating its efficacy. These results highlight the value of our spatial self-supervised network in comparison to contemporary state-of-the-art methods. The evaluation procedure can be readily applied to new MSI datasets, thereby providing a consistent and robust framework for the comparison of spatially structured peak picking methods across different datasets.
• Abstract（参考訳）: マス・スペクトロメトリ・イメージング(MSI)は、組織サンプル全体にわたる分子分布のラベルなし可視化を可能にするが、有意義な生物学的情報を保持しながら、データサイズを減らすために効果的なピークピッキングを必要とする大規模で複雑なデータセットを生成する。 既存のピークピッキングアプローチは、異種データセット間で矛盾なく動作し、その評価は、MSIにおける実際の課題を完全に表現していない合成データや手動で選択されたイオン画像に限られることが多い。 これらの制約に対処するために,空間情報とスペクトル情報の両方を活用するアテンションマスクを学習することにより,空間的に構造化されたピークを選択する,自己エンコーダに基づく空間自己教師型ピーク学習ニューラルネットワークを提案する。 さらに,エキスパートアノテートされたセグメンテーションマスクに基づく評価手法を導入し,ピークピッキング性能のより代表的な空間的評価を可能にする。 提案手法を用いて,4つの公共MSIデータセットに対するアプローチを評価した。 提案手法は,空間的に構造化されたピークを選択することによって,最先端のピークピッキング手法を一貫して上回り,その有効性を示す。 これらの結果は,現代の最先端手法と比較して,空間的自己教師ネットワークの価値を強調した。 評価手順は、新しいMSIデータセットに容易に適用でき、それによって、異なるデータセット間で空間的に構造化されたピークピック手法の比較のための一貫した、堅牢なフレームワークを提供する。

関連論文リスト

• A Label-Free High-Precision Residual Moveout Picking Method for Travel Time Tomography based on Deep Learning [7.081408406139507]
  残留移動(Residual moveout、RMO)は、旅行時間トモグラフィーに重要な情報を提供する。 現在の分析手法は、局所的な塩分化を正確に捉えていない。 抽出のための教師付き学習ベース画像分割法は,局所的な変化を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2025-03-08T03:27:55Z)
• Spectral Self-supervised Feature Selection [7.052728135831165]
  教師なし特徴選択のための自己教師付きグラフベースアプローチを提案する。 提案手法のコアは,グラフラプラシアンの固有ベクトルに単純な処理ステップを適用することで,ロバストな擬似ラベルを計算することである。 我々のアプローチは、外れ値や複雑な部分構造の存在など、困難なシナリオに対して堅牢であることが示されている。
  論文  参考訳（メタデータ） (2024-07-12T07:29:08Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Sampling-enabled scalable manifold learning unveils the discriminative cluster structure of high-dimensional data [17.411028691739897]
  大規模・高次元データに対して一様および識別的埋め込み(SUDE)を可能にする,サンプリングベースでスケーラブルな多様体学習手法を提案する。 合成データセットと実世界のベンチマークにおけるSUDEの有効性を実証的に検証し, 単細胞データの解析と心電図信号の異常検出に応用した。
  論文  参考訳（メタデータ） (2024-01-02T08:43:06Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Linking data separation, visual separation, and classifier performance using pseudo-labeling by contrastive learning [125.99533416395765]
  最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。 本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類し,その結果を実証する。
  論文  参考訳（メタデータ） (2023-02-06T10:01:38Z)
• Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
  本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。 この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-27T17:03:50Z)

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。