COLLAGE: COnsensus aLignment of muLtiplexing imAGEs
Notice bibliographique
Résumé
Abstract Multiplexed immunohistochemistry (mIHC) enables the high-dimensional single-cell interrogation of pathological tissue samples. mIHC is commonly based on the collection of high-resolution images from repeated staining cycles of the same tissue sample. Images of individual cycles typically consist of smaller tiles that need to be stitched into larger composite images, while images from serial rounds require alignment in a shared set of coordinates to enable pixel-perfect data integration. Current algorithms for stitching and registration require solving a single large puzzle consisting of billions of pixels making them computationally expensive but moreover forcing them to introduce errors to close the puzzle, which significantly impact the downstream results and the single-cell profiles. Here, we present the development and evaluation of COLLAGE ( CO nsensus a L ignment of mu L tiplexing im AGE s), an innovative stitching and registration method that leverages on the complementarity of these two steps in a ‘divide and conquer’ approach: in contrast to other algorithms, COLLAGE breaks the process down into thousands of small puzzles, enabling extensive parallelisation and not forcing errors in its solution. Because COLLAGE also includes AlgnQC, a novel deep-learning-based evaluation metric of registration quality, the quality of the resulting image stacks is consistently maximised, while images with errors are flagged in an automated way. COLLAGE is available via www.disscovery.org . Abstract Figure
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».