SPAGHETTI leverages massive H&E morphological models for phase contrast microscopy images with a generative deep learning approach
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
Phase contrast microscopy (PCM) is a powerful cell imaging method, one of the few technologies to delineate and track cell structure in live cells without staining. Despite PCM’s great potential and popularity in monitoring live-cell populations, there is a lack of algorithms to extract morphological information from these images due to the lack of large training datasets. To overcome this challenge and enable advanced, high throughput quantitative analysis of PCM images, we introduce SPAGHETTI: a lightweight image translator built on a modified cycle-consistent generative adversarial network. SPAGHETTI translates PCM images into those resembling hematoxylin and eosin (H&E) pathological images which, due to the pervasive and widespread use in clinical settings, are the basis for most large-scale deep learning models for quantitative analyses. We demonstrate that by first using SPAGHETTI to translate PCM images into H&E-like images, we could achieve significantly improved performance on cell segmentation through the use of tissue and H&E-specific cell segmentation models. We also show that by passing translated PCM images across several independent datasets into H&E feature extractor models, we improve the performance of cell-type annotation, experimental media classification, and cell viability prediction. Overall, SPAGHETTI enables many quantitative analyses of PCM that were previously impossible and acts as a valuable preprocessing step to help researchers gather novel information about cell states through the downstream quantitative analysis of morphological features.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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