論文の概要: MP-MNCA: Morphology-Prior Masked Neighbor Cross-Attention for Efficient Spatial Domain Identification
- arxiv url: http://arxiv.org/abs/2610.16212v1
- Date: Mon, 12 Oct 2026 05:42:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.31353
- Title: MP-MNCA: Morphology-Prior Masked Neighbor Cross-Attention for Efficient Spatial Domain Identification
- Title（参考訳）: MP-MNCA:空間領域の同定に有効な隣り合わせ型クロスアテンション(MP-MNCA)
- Abstract要約: 本稿では,MP-MNCAについて紹介する。
本研究は,MP-MNCAが空間領域の整合性に到達していることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial transcriptomics jointly captures molecular state, tissue morphology, and spatial organization, yet spatial-domain methods are typically compared only at late training checkpoints, obscuring differences in convergence efficiency. We introduce MP-MNCA, a morphology-prior masked neighbor cross-attention framework that preserves the full 3,000 dimensional highly-variable-gene representation while selectively routing molecular information across spatial neighbors, with histological similarity incorporated as a continuous attention prior under a self-supervised masked neighbor-contrastive objective. Across 12 heterogeneous human dorsolateral prefrontal cortex (DLPFC) sections, MP-MNCA is evaluated against established spatial-domain baselines using both convergence trajectories and epoch-wise spatial-domain visualizations. Our results show that MP-MNCA (i) reaches coherent spatial-domain structure in substantially fewer training epochs, as reflected quantitatively by convergence curves and qualitatively by progressive spatial grids, and (ii) maintains strong clustering quality, achieving a mean peak refined ARI of 0.546 versus 0.549 for the strongest baseline (STAIG), while attaining the highest mean refined NMI of 0.657 versus 0.640. Moreover, MP-MNCA outperforms STAIG on 7 of 12 sections in ARI and 11 of 12 in NMI, demonstrating faster convergence without sacrificing spatial-domain quality.
- Abstract（参考訳）: 空間転写学は、分子状態、組織形態、空間構造を共同でキャプチャするが、空間ドメイン法は通常、遅延トレーニングチェックポイントでのみ比較される。
MP-MNCAは,空間的近傍の分子情報を選択的にルーティングしながら,約3000次元の高次遺伝子表現を保ちながら,自己監督されたマスク付き隣人のコントラスト的目的のもとに,連続的な注意として組織学的類似性が組み込まれている。
ヘテロジニアス性ヒト背側前頭前野(DLPFC)の12領域にわたって,MP-MNCAは収束軌跡とエポックワイド空間領域の可視化の両方を用いて,確立された空間領域ベースラインに対して評価された。
以上の結果からMP-MNCAが示唆される。
i) 収束曲線によって定量的に、進行空間格子によって定性的に反映されるように、ほぼ少ない訓練エポックにおいて、コヒーレントな空間領域構造に達する。
(II) 高いクラスタリング品質を維持し、最強ベースライン(STAIG)では0.546対0.549の平均ピーク精錬ARIを達成するとともに、平均精錬NMIは0.657対0.640となる。
さらに、MP-MNCAは、ARIの12節中7節、NMIの12節中11節においてSTAIGより優れ、空間領域の品質を犠牲にすることなく、より高速な収束を示す。
関連論文リスト
- MIST: Multi-Scale Spatial Context for Gene Expression Prediction from Histology [11.154086943903694]
標準的なトランスフォーマーはスポットに自己注意を施すが、各スポットが組織内にある場所を無視する。
MIST(Multi-context Spatial Transformer)は、各層に2つのコンテキスト経路を印加して自己注意バックボーンを増強するマルチコンテキスト空間変換器である。
MISTは、最も評価の高いベースラインに対する平均ピアソン相関を、それぞれ9.7%、11.6%、11.4%改善し、それぞれ10-、50-、100-ジーンパネルである。
論文 参考訳（メタデータ） (2026-10-13T17:29:37Z) - MSGAT: Multi-Head Spiking Graph Attention with Similarity-Space Fusion for Image-Text Retrieval [73.03281886969113]
スパイキングニューラルネットワーク(SNN)は、スパースイベント駆動計算によるエネルギー効率の高い計算パラダイムを提供する。
画像テキスト検索(ITR)のような高レベルのマルチモーダルタスクにSNNを適用することは依然として困難である。
粗さときめ細かなマッチング関係を統合した類似性空間の融合アライメント戦略である textbfSim-Fuse を導入する。
論文 参考訳（メタデータ） (2026-10-08T08:56:27Z) - Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。
VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。
本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
論文 参考訳（メタデータ） (2026-09-11T05:21:01Z) - From Concentration to Differentiation and Back: Routing Effective Rank in MoE Reasoning Cohorts [61.695980784491475]
テストタイムスケーリングは、推論ロールアウトのコホートを生成するが、推論が展開するにつれて内部計算がどのように再編成されるかについて、標準的なラベルのない説明はない。
本稿では,MoEの専門家による類似性から構築したクロスロールアウトグラフのエントロピー有効次元性であるルーティング有効ランクデフを導入する。
論文 参考訳（メタデータ） (2026-09-06T05:43:22Z) - Rethinking Attention Locality in Spiking Transformers [50.00501275379363]
スパイキングトランスフォーマーは、スパイク駆動計算による効率的なビジュアル処理のための有望なパラダイムを提供する。
彼らのSSA(Softmax-free Spiking Self-Attention)は、空間的に局所化されたトークン相互作用を確立するのに苦労している。
境界連続経路(SCLA-BCP)を用いた空間連続的局所的注意法を提案する。
当社のアプローチでは、2017年のCOCOではmAP@50が9.50%、ADE20KではmIoUが3.42%改善しています。
論文 参考訳（メタデータ） (2026-08-09T07:36:17Z) - Biological Spatial Priors Regularize Foundation Model Representations for Cross-Site MSI Generalization in Colorectal Cancer [0.0]
周辺距離エンコーディングに基づく生物的動機付き空間前処理を導入する。
6つの基礎モデルとMILアグリゲータの組み合わせを基準として評価し,それぞれの空間的先行効果を評価する。
その結果、生物学的に接地された空間前駆体は、サイト固有の画像パターンへの依存を減らす正則化剤として機能することが示唆された。
論文 参考訳（メタデータ） (2026-05-04T14:39:40Z) - hSNMF: Hybrid Spatially Regularized NMF for Image-Derived Spatial Transcriptomics [0.0]
我々は,腫瘍マイクロアレイ(TMA)組織の高分解能画像をキャプチャするXeniumプラットフォームからのデータを分析する。
空間転写学の非負行列分解(NMF)を2つの空間正規化変種を導入してベンチマークし,拡張する。
論文 参考訳（メタデータ） (2026-02-02T18:40:08Z) - OCTOPUS: Enhancing the Spatial-Awareness of Vision SSMs with Multi-Dimensional Scans and Traversal Selection [20.717476762904038]
我々は,大域的コンテキストと画像内の局所空間構造の両方を保存する新しいアーキテクチャであるOCTOPUSを紹介する。
OCTOPUSは8つの主方向に沿って個別に再起し、水平方向、垂直方向、対角方向を前方または後方に進む。
分類とセグメンテーションのベンチマークでは、OCTOPUSは境界保存と領域の整合性において顕著な改善を示した。
論文 参考訳（メタデータ） (2026-01-31T21:12:59Z) - A Multi-scale Fused Graph Neural Network with Inter-view Contrastive Learning for Spatial Transcriptomics Data Clustering [7.214595408714774]
畳み込み後の空間的特徴と遺伝子的特徴を動的に統合するために,階層的に相互に注目するマルチスケールな相互融合グラフネットワークstMFGを提案する。
最先端の手法よりも優れており、特定のスライスで最大14%のARI改善を実現している。
論文 参考訳（メタデータ） (2025-12-18T05:13:55Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - Spatiotemporal k-means [39.98633724527769]
マルチスケールクラスタを解析できるk-means (STk) と呼ばれる2つの時間クラスタリング手法を提案する。
我々は、STkMがより複雑な機械学習タスク、特にビデオにおける関心の検出と追跡の教師なし領域にどのように拡張できるかを示す。
論文 参考訳（メタデータ） (2022-11-10T04:40:31Z)
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。