論文の概要: Robust Image-Driven Phenotyping of Ovarian Tumor Cells using Optimized Dynamic Features in Hyperbolic Channels
- arxiv url: http://arxiv.org/abs/2606.20703v1
- Date: Mon, 15 Jun 2026 16:27:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 15:56:32.022371
- Title: Robust Image-Driven Phenotyping of Ovarian Tumor Cells using Optimized Dynamic Features in Hyperbolic Channels
- Title（参考訳）: ハイパーボリックチャネルにおける動的特徴の最適化による卵巣腫瘍細胞のロバスト画像駆動型フェノタイピング
- Abstract要約: 本稿では,フロー誘起ノイズを真メカノバイオロジカルシグネチャから分離する安定性誘導解析フレームワークを提案する。
健常および悪性卵巣細胞の形態動態,キネマティックおよび細胞内光密度軌跡を追跡し,93次元の特徴空間を構築した。
- 参考スコア（独自算出の注目度）: 7.616645494044555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Label-free, image-based cellular mechanophenotyping in microfluidic devices provides a high-throughput method for single-cell profiling. However, while complex microchannels (e.g., hyperbolic geometries) reveal transient deformation dynamics under continuous extensional stress, the resulting high-dimensional feature spaces are highly susceptible to hydrodynamic artifacts. Flow rate variations often distort discriminative boundaries, linking feature distributions to fluid conditions rather than intrinsic biology. To overcome this, we introduce a stability-guided analytical framework that decouples flow-induced noise from authentic mechanobiological signatures. We tracked the morphodynamic, kinematic, and intracellular optical-density trajectories of healthy and malignant ovarian cells to build a 93-dimensional feature space. Using a cross-flow screening strategy based on structural consistency and statistical persistence, we isolated robust descriptors, creating task-adapted subsets (20 features for binary classification; 25 for cancer subtyping). Variance-attribution analysis confirmed the neutralization of flow-conditioned artifacts; notably, flow-associated variance in the primary principal component fell from 69.9% to 9.3% in the subtyping task. We also found that macroscopic binary discrimination depends on bulk kinematic transitions, while clonal subtyping requires localized intracellular optical heterogeneity. These optimized subsets maintained diagnostic fidelity across multiple machine learning architectures and restricted sampling conditions. This framework establishes a robust, flow-independent foundation for continuous dynamic phenotyping.
- Abstract（参考訳）: マイクロ流体デバイスにおけるラベルフリーで画像ベースの細胞メカノフォニーピングは、シングルセルプロファイリングのための高スループット手法を提供する。
しかし、複雑なマイクロチャネル(例えば双曲的ジオメトリ)は連続的な伸張応力下での過渡的変形のダイナミクスを示すが、結果として生じる高次元の特徴空間は流体力学的アーティファクトに非常に影響を受けやすい。
流量の変動は、しばしば差別的境界を歪め、特徴分布を本質生物学よりも流動状態にリンクする。
これを解決するために,フロー誘起ノイズを真の力学的シグネチャから分離する安定性誘導解析フレームワークを提案する。
健常および悪性卵巣細胞の形態動態,キネマティックおよび細胞内光密度軌跡を追跡し,93次元の特徴空間を構築した。
構造的一貫性と統計的持続性に基づくクロスフロースクリーニング戦略を用いて,ロバストな記述子を分離し,タスク適応サブセット(バイナリ分類20種,癌サブタイプ25種)を作成した。
変動寄与分析により、流動条件のアーティファクトの中和が確認され、特に主成分の流動関連分散は、置換作業において69.9%から9.3%に減少した。
また,巨視的二分体識別はバルクキネマティック・トランジションに依存し,クローン・サブタイピングには局所的な細胞内光学的不均一性が必要であることも見出した。
これらの最適化されたサブセットは、複数の機械学習アーキテクチャにまたがる診断精度を維持し、サンプリング条件を制限した。
このフレームワークは、継続的な動的表現の堅牢でフローに依存しない基盤を確立する。
関連論文リスト
- Data-Efficient and Interpretable Classification of Circulating Tumor Cell Phenotypes in Microfluidic Devices via Deep Learning [5.639853790073915]
腫瘍細胞(CTC)の分類を循環するための,解釈可能かつ効率的なフレームワークを提案する。
Subsequenceは、学習中の情報的局所軌道セグメントをランダムに抽出し、局所的なパターンからの学習を促進するターゲット拡張戦略である。
より広範に、提案フレームワークはマイクロ流体幾何学を細胞力学特性の物理エンコーダとみなしている。
論文 参考訳（メタデータ） (2026-08-17T17:51:49Z) - Topological Flow Matching [56.16372813551555]
フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。
トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。
脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
論文 参考訳（メタデータ） (2026-06-14T16:29:33Z) - PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。
PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
論文 参考訳（メタデータ） (2026-06-01T01:43:48Z) - scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。
scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。
scHelixは最先端のメソッドより優れています。
論文 参考訳（メタデータ） (2026-05-18T15:55:13Z) - MIOFlow 2.0: A unified framework for inferring cellular stochastic dynamics from single cell and spatial transcriptomics data [47.97758608694957]
We introduced Interpolating Manifold-Transport Flow (MIOFlow) 2.0。
この枠組みは、多様体学習、最適輸送、神経微分方程式を統合することにより、生物学的に情報を得た細胞軌道を学習する。
合成データセット、胚体分化、空間的に解決されたアクソロトル脳再生で検証される。
論文 参考訳（メタデータ） (2026-03-23T20:49:45Z) - IMSAHLO: Integrating Multi-Scale Attention and Hybrid Loss Optimization Framework for Robust Neuronal Brain Cell Segmentation [0.6999740786886535]
我々は,頑健で適応的な神経細胞分割のための新しいディープラーニングフレームワーク,IMSAHLOを提案する。
本フレームワークは81.4%の精度,マクロF1スコア82.7%の精度,マイクロF1スコア83.3%の精度,難密でスパースなケースでは99.5%の精度を実現している。
論文 参考訳（メタデータ） (2026-01-14T23:43:33Z) - A Critical Assessment of Pattern Comparisons Between POD and Autoencoders in Intraventricular Flows [4.123458880886283]
自動エンコーダ(AE)モデルは,特定の潜在空間構成の下でPODのようなコヒーレント構造を再現可能であることを示す。
全体として、AEsは特定の潜在空間構成の下でPOD様のコヒーレント構造を再現できることを示す。
論文 参考訳（メタデータ） (2025-12-22T13:21:11Z) - Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
シングルセル技術は、細胞の高次元点雲を生成する。
各患者は単純なベクトルではなく不規則な点雲で表される。
線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
論文 参考訳（メタデータ） (2025-10-24T21:33:12Z) - Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。
我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。
また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
論文 参考訳（メタデータ） (2025-06-26T09:05:38Z) - Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。
モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文 参考訳（メタデータ） (2024-07-14T04:41:16Z) - Simulating progressive intramural damage leading to aortic dissection
using an operator-regression neural network [0.2955543753858105]
We developed a data-driven surrogate model for the delamination process for differential strut distributions using DeepONet。
その結果,DeepONetは様々なストラット分布を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-08-25T03:49:19Z)
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。