Mar, 2024

器官样体图像的相关聚类

PDF
TL;DR在生物和医学研究中，科学家们经常获取数百个形态异质性器官样体的显微镜图像，然后面临着在图像集合中寻找模式的任务，即出现相似并可能代表相同形态类别的器官样体的子集。我们采用了用于相关器官样体图像的模型和算法，即用于量化所描绘的器官样体在外观和几何上的相似性，并通过整合冲突的相关性对器官样体图像进行聚类。对于相关器官样体图像，我们采用了两种替代方法，即部分二次分配问题和双网络。对于器官样体图像的聚类，我们采用了相关性聚类问题。实证上，我们学习了这些模型的参数，推断了器官样体图像的聚类，并量化了与生物学家手动聚类的最先进荧光显微镜图像训练集和测试集相对于推断聚类的准确性。
organoidsmicroscopy imagescorrelating organoid imagesclustering organoid imagesmorphological class
发现论文，激发创造
  • SegmentAnything 基于显微图像的自动和定量器官样体检测与分析

    使用显微镜分析自动排列物，结合 SegmentAnything 精确划定个体排列物的全面管道和形态学性质（周长、面积、半径、非平滑度和非圆形度），加速排列物形态学分析。

    Sep, 2023

  • 深度学习自动量化分析脑器官样体

    本文提出了一种基于 AI 技术的自动计算机辅助分析方法来观察和分析人类干细胞培养制备的脑器官，该方法能够区分野生型和突变型脑器官，旨在加速研究和治疗脑疾病的进展。

    Nov, 2022

  • AutoCount: 野外图像器官无监督分割与计数

    本文提出了一种全新的基于卷积网络的无监督技术，用于密集物体（如植物器官）的计数，该技术采用后处理优化步骤，可在不需要数据集调整或修改的情况下，对高精度计数执行器官任务的有效性得到了验证。

    Jul, 2020

  • 形变多模态图像配准用于光学测量与组织学图像的相关性

    利用深度学习技术，通过自动多模式图像配准方法，将快照乳房标本图像与对应的组织学图像进行对齐，以提高光学技术验证的准确性。

    Nov, 2023

  • BOrg：一个基于脑类器官的有丝分裂数据集，用于自动分析脑疾病

    用人类大脑器官样物体研究脑发育的最新进展，引入了 BOrg 数据集，利用其中的脑器官样物体的共聚焦显微镜图像，采用高效的注释流水线和稀疏点注释技术，适应并评估了最先进的物体检测和细胞计数模型，用于检测和分析脑器官样物体中的有丝分裂细胞，实验证明这些模型相对于现有方法显著提高了有丝分裂分析的效率和准确性，促进了自动工具的开发，以量化有丝分裂率，帮助研究神经发育过程和疾病机制。

    Jun, 2024

  • 利用深度特异性网络解析重叠生物的图像

    本文提出了一种深度前馈的分离网络（SON）方法，能够有效地分离高度重叠的生物图像中的个体对象，并估计中心对象的形状。实验表明该方法可以解析三类流行的模型生物的显微镜图像，同时避免了无需渲染训练图像的高维度配置空间和大量渲染测试时间操作的需求。

    Dec, 2016

  • 癌症突变分析的新相关聚类方法

    本研究开发了基于相互排斥、患者覆盖和驱动因子网络浓度原则的 $C^3$ 算法，可以在大规模癌症基因组研究中更高效、可靠地识别突变模式和驱动通路，并在 TCGA 乳腺癌和胶质母细胞瘤数据上的测试中优于 CoMEt 方法。

    Jan, 2016

  • 数字显微组织图像分割和分类方法

    本文提出了两个计算机算法，分别用于分割细胞核和分类组织切片图像。采用多尺度深度残差聚合网络实现核物质的准确分割，采用深度学习方法与随机森林回归模型相结合进行图像分类。该算法在 MICCAI 2017 数字病理学挑战赛中取得了较高的精度得分。

    Oct, 2018

  • 大规模相关聚类优化

    本文聚焦于 Correlation Clustering functional，它结合了数据点之间的正面和负面亲和性。文章的贡献包括两个方面，一是提供了该函数的理论分析；二是提出了新的优化算法，能够处理无法使用现有方法解决的大规模问题（>100K 变量）。通过对该函数的理论分析，发现该函数具备概率生成解释的能力，并且合理地解释了其内在的 “模型选择” 能力。此外，文章还探索了该函数和 well-known Potts 能量最小化之间的类比，这为我们提出了几种新的优化算法，这些算法利用函数的内在 “模型选择” 能力，可以自动恢复基础聚类数。与此同时，文章还介绍了两种新的应用领域：无监督人脸识别和通过粗略边界描绘实现的交互式多对象分割。

    Dec, 2011

  • 从组织病理学图像预测分子表型：乳腺癌中一项转录组范围的表达形态分析

    该研究使用基因特定模型和卷积神经网络从组织形态结构预测肿瘤基因表达及其空间分布，并验证了该方法在乳腺癌中的可行性，为描述肿瘤内异质性提供了可扩展性的方法。

    Sep, 2020