Synergistic Tissue Counterstaining and Image Segmentation Techniques for Accurate, Quantitative Immunohistochemistry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Quantitative analysis of digitized IHC-stained tissue sections is increasingly used in research studies and clinical practice. Accurate quantification of IHC staining, however, is often complicated by conventional tissue counterstains caused by the color convolution of the IHC chromogen and the counterstain. To overcome this issue, we implemented a new counterstain, Acid Blue 129, which provides homogeneous tissue background staining. Furthermore, we combined this counterstaining technique with a simple, robust, fully automated image segmentation algorithm, which takes advantage of the high degree of color separation between the 3-amino-9-ethyl-carbazole (AEC) chromogen and the Acid Blue 129 counterstain. Rigorous validation of the automated technique against manual segmentation data, using Ki-67 IHC sections from rat C6 glioma and beta-amyloid IHC sections from transgenic mice with amyloid precursor protein (APP) mutations, has shown the automated method to produce highly accurate results compared with ground truth estimates based on the manually segmented images. The synergistic combination of the novel tissue counterstaining and image segmentation techniques described in this study will allow for accurate, reproducible, and efficient quantitative IHC studies for a wide range of antibodies and tissues.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle