論文の概要: STRATA: Reinforcement-driven Active Sampling with Tri-paradigm Adaptation for Efficient 3D Spatial Transcriptomics

• arxiv url: http://arxiv.org/abs/2610.39151v1
• Date: Thu, 29 Oct 2026 01:37:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 07:46:15.733854
• Title: STRATA: Reinforcement-driven Active Sampling with Tri-paradigm Adaptation for Efficient 3D Spatial Transcriptomics
• Title（参考訳）: STRATA: 効率的な3次元空間トランスクリプトークスのための3パラダイム適応による強化駆動型アクティブサンプリング
• Abstract要約: STRATAは、高密度な3次元転写地図を再構成するための3パラダイム適応を備えた強化駆動型アクティブサンプリングフレームワークである。 データセットをまたいだ実験ではサンプリング効率と精度が向上し、特に低予算環境下では改善されている。
• 参考スコア（独自算出の注目度）: 5.646887492266287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial transcriptomics (ST) enables joint characterization of tissue morphology and gene expression. However, 3D volumetric ST acquisition remains expensive. AI-driven methods offer a low-cost alternative but remain limited in accuracy, while recent 2D section-wise ST acquisition still rely on dense grid sampling, resulting in redundant measurements and undersampling of biologically informative regions. To bridge the gap, we propose STRATA, a reinforcement-driven active sampling framework with tri-paradigm adaptation for reconstructing dense 3D transcriptomic maps from sparse voxel-wise ST acquisition. STRATA constructs a 3D graph integrating H&E morphology with single-cell priors and employs a reinforcement learning agent to estimate morphological sparsity and transcriptomic informativeness, enabling budget-aware selection of informative spots. Given these sparse measurements, an adaptive tri-paradigm predictor combines retrieval, regression, and cross-layer imputation through lightweight fusion, dynamically weighting their contributions. Experiments across datasets demonstrate improved sampling efficiency and accuracy, particularly under low-budget settings. Code is available at https://github.com/Junchao-Zhu/STRATA.
• Abstract（参考訳）: 空間転写学(ST)は、組織形態と遺伝子発現を共同で解析することができる。 しかし、3DボリュームSTの買収は依然として高価である。 AI駆動の手法は低コストの代替手段を提供するが、精度は限られているが、最近の2DセクションワイドSTの買収は依然として高密度グリッドサンプリングに依存しており、冗長な測定と生物学的に情報のある領域のアンサンプをもたらす。 このギャップを埋めるため,Sparse voxel-wise ST から高密度な3次元転写地図を再構成するための3パラダイム適応型強化駆動型能動サンプリングフレームワークSTRATAを提案する。 STRATAは、H&E形態を単一セルの先行要素と統合した3Dグラフを構築し、強化学習エージェントを用いて、形態的空間性と転写学的情報性を推定し、情報的スポットの予算に応じた選択を可能にする。 これらの疎度の測定から、適応的な三パラダイム予測器は、軽量核融合による検索、回帰、層間計算を組み合わせ、その寄与を動的に重み付けする。 データセットをまたいだ実験ではサンプリング効率と精度が向上し、特に低予算環境下では改善されている。 コードはhttps://github.com/Junchao-Zhu/STRATAで入手できる。

関連論文リスト

• AD-GS: Anatomical Density-guided 3D Gaussian Splatting for Sparse-View Dental CBCT Reconstruction [39.759347573766476]
  Sparse-view Cone-Beam Computed Tomography (CBCT) は放射線線量削減とスキャンに不可欠である。 最近の3次元ガウス散乱(3DGS)に基づくCBCT再構成法は勾配駆動型密度化に依存している。 本稿では, 解剖学的密度誘導型3次元ガウスめっきフレームワークであるAD-GSについて, 減衰に注意するマルコフ・チェインモンテカルロサンプリングプロセスとして, ガウス密度化を定式化する。
  論文  参考訳（メタデータ） (2026-10-10T14:35:57Z)
• DUET: Dual-Paradigm Adaptive Expert Triage with Single-cell Inductive Prior for Spatial Transcriptomics Prediction [6.028508407069093]
  組織像から空間的に解決された遺伝子発現を推定することは空間転写学に費用対効果をもたらす。 本稿では,パラメトリック予測とメモリベース検索を共役する新しいデュアルパラダイムフレームワークDUETを提案する。
  論文  参考訳（メタデータ） (2026-05-13T20:43:29Z)
• 3DGS-HPC: Distractor-free 3D Gaussian Splatting with Hybrid Patch-wise Classification [80.43401018217367]
  3D Gaussian Splatting (3DGS) は新規なビュー合成と3Dシーン再構成において顕著な性能を示した。 その品質は、移動物体や様々な影など、過渡的な気晴らしによって、現実世界の環境において劣化することが多い。 既存の方法は、事前訓練された視覚モデルから抽出されたセマンティックな手がかりに頼り、これらの障害を識別し、抑制する。 本稿では,2つの相補的原理を組み合わせることで,これらの制約を回避するフレームワークである3DGS-HPCを提案する。
  論文  参考訳（メタデータ） (2026-03-08T11:16:30Z)
• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• SCR2-ST: Combine Single Cell with Spatial Transcriptomics for Efficient Active Sampling via Reinforcement Learning [9.512448078850392]
  SCR2-STは単一セルの事前知識を利用して効率的なデータ取得と正確な表現予測を行う統合フレームワークである。 SCR2-STは、単セル誘導強化学習に基づくアクティブサンプリングとハイブリッド回帰検索予測ネットワークSCR2Netを統合する。
  論文  参考訳（メタデータ） (2025-12-15T18:30:40Z)
• ST-DAI: Single-shot 2.5D Spatial Transcriptomics with Intra-Sample Domain Adaptive Imputation for Cost-efficient 3D Reconstruction [1.7603474309877931]
  コスト効率のよい2.5Dサンプリングスキームをサンプル内ドメイン適応型計算フレームワークと組み合わせた,3D transcriptomics用単ショットフレームワークST-DAIを紹介する。 まず、コスト効率2.5Dサンプリング段階において、1つの基準部(中央部)を完全にサンプリングし、他の部(隣接部)を疎サンプリングする。 第2に、このコスト効率のよい2.5D STスキームから完全な3D STを生成できる単発3D計算学習法を提案する。
  論文  参考訳（メタデータ） (2025-07-29T05:46:37Z)
• Sparser2Sparse: Single-shot Sparser-to-Sparse Learning for Spatial Transcriptomics Imputation with Natural Image Co-learning [1.7603474309877931]
  本稿では,S2S-ST(Single-shot Sparser-to-Sparse)について述べる。 我々のフレームワークは、コトレーニングのために広く利用可能な自然画像とともに、単一かつ低コストでサンプル化されたSTデータセットのみを必要とする。
  論文  参考訳（メタデータ） (2025-07-22T17:58:38Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
  本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。 また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
  論文  参考訳（メタデータ） (2023-03-21T17:58:49Z)
• Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
  この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。 本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。 本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
  論文  参考訳（メタデータ） (2021-12-14T13:14:24Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)

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。