Identifying nuclear phenotypes using semi-supervised metric learning.
Identifying nuclear phenotypes using semi-supervised metric learning.
复制标题
DOI：
10.1007/978-3-642-22092-0_33
复制
发表时间：
2011
期刊：
影响因子：
--
通讯作者：
Machiraju, Raghu
中科院分区：
文献类型：
--
作者：
Singh, Shantanu;Janoos, Firdaus;Pecot, Thierry;Caserta, Enrico;Leone, Gustavo;Rittscher, Jens;Machiraju, Raghu
在研究癌症和发育等过程的基于系统的方法中，识别和表征组织内的单个细胞是理解细胞之间相互作用产生的大规模效应的第一步。为此，核形态是表征细胞的生理和分化状态的重要表型。这项研究的重点是使用核形态学，以确定细胞表型在厚组织切片成像，使用3D荧光显微镜。有限的标签信息，描述细胞核的异质特征集，以及细胞类型内子群体的存在使得这是一个困难的学习问题。为了解决这些问题，提出了一种技术，从标记的数据，这是本地自适应的帐户在数据中的异质性学习的距离度量。此外，标签传播技术用于通过使用未标记的数据扩展训练集来提高学习度量的质量。结果呈现在乳腺癌中肿瘤间质的图像上，其中框架用于识别成纤维细胞、巨噬细胞和内皮细胞-参与致癌的三种主要间质细胞。
In systems–based approaches for studying processes such as cancer and development, identifying and characterizing individual cells within a tissue is the first step towards understanding the large–scale effects that emerge from the interactions between cells. To this end, nuclear morphology is an important phenotype to characterize the physiological and differentiated state of a cell. This study focuses on using nuclear morphology to identify cellular phenotypes in thick tissue sections imaged using 3D fluorescence microscopy. The limited label information, heterogeneous feature set describing a nucleus, and existence of sub-populations within cell-types makes this a difficult learning problem. To address these issues, a technique is presented to learn a distance metric from labeled data which is locally adaptive to account for heterogeneity in the data. Additionally, a label propagation technique is used to improve the quality of the learned metric by expanding the training set using unlabeled data. Results are presented on images of tumor stroma in breast cancer, where the framework is used to identify fibroblasts, macrophages and endothelial cells – three major stromal cells involved in carcinogenesis.
登录
查看更多内容
影响因子：
3.7
作者：
Rohde, Gustavo K.;Ribeiro, Alexandre J. S.;Murphy, Robert F.
通讯作者：
Murphy, Robert F.
影响因子：
2
作者：
Gladilin, E.;Goetze, S.;Rohr, K.
通讯作者：
Rohr, K.
影响因子：
4.5
作者：
BRECHBUHLER, C;GERIG, G;KUBLER, O
通讯作者：
KUBLER, O
DOI：
10.1073/pnas.0807038105
发表时间：
2008-12-09
影响因子：
11.1
作者：
Slacka, Michael D.;Martineza, Elisabeth D.;Altschuler, Steven J.
通讯作者：
Altschuler, Steven J.
影响因子：
64.8
作者：
通讯作者：
--