细胞空间组织的深度学习识别了组织图像中的临床相关见解
Shidan Wang1, Ruichen Rong1, Donghan M Yang1
1Quantitative Biomedical Research Center, Peter O'Donnell Jr. School of Public Health, University of Texas Southwestern Medical Center, Dallas, Texas, USA.
Research square
|July 18, 2023
概括
一个新的图形卷积网络Ceograph在病理学图像中分析细胞的空间组织,以预测患者的结果. 它确定了与疾病进展和治疗反应相关的关键空间特征.
科学领域:
- 计算病理学计算病理学
- 生物信息学是一种生物信息学.
- 医学成像分析分析 医学成像分析
背景情况:
- 目前的细胞相互作用研究缺乏评估个体空间相互作用的方法.
- 组织成像技术的进步使细胞类型可视化成为可能,但无法进行详细的空间分析.
- 了解空间组织对于预测疾病进展和治疗反应至关重要.
结论:
- 通过空间组织分析,Ceograph提供了对生物过程的更深入的理解.
- 该模型通过预测临床结果来支持个性化治疗策略的开发.
- 通过对细胞空间关系的详细分析,Ceograph促进了计算病理学的进步.
更多相关视频
08:59Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps
Published on: October 28, 2018
7.1K
08:49Whole-Brain Single-Cell Imaging and Analysis of Intact Neonatal Mouse Brains Using MRI, Tissue Clearing, and Light-Sheet Microscopy
Published on: August 1, 2022
3.6K