ChromosomeNet: A massive dataset enabling benchmarking and building basedlines of clinical chromosome classification

Lin, Chengchuang; Chen, Hanbiao; Huang, Jie‐Sheng; Peng, Jing; Guo, Li; Yang, Zhirong; Du, Jiahua; Li, Shuangyin; Yin, Aihua; Zhao, Gansen

doi:10.1016/j.compbiolchem.2022.107731

Cited by 8 publications

(7 citation statements)

References 43 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…O propósito desta sec ¸ão é expor e interpretar os resultados dos experimentos realizados neste trabalho. A discussão é orientada no sentido de entender como as diferentes abordagens influenciaram no desempenho do modelo, utilizando o conjunto de dados ChromosomeNet [Lin et al 2022].…”

Section: Resultsunclassified

“…O trabalho proposto por [Lin et al 2022] teve como objetivo construir e reproduzir, avaliar e comparar modelos e algoritmos de classificac ¸ão de cromossomos existentes em um conjunto de dados de classificac ¸ão de cromossomos em nível de mais de 120.000 amostras. Segundo os autores o conjunto de dados permite o benchmarking (avaliac ¸ão comparativa) e a construc ¸ão de linhas de base de classificac ¸ão cromossômica adequada para diferentes cenários.…”

Section: Trabalhos Relacionadosunclassified

“…O conjunto de dados proposto por [Lin et al 2022] O repositório contém referências à classificac ¸ão clínica de cromossomos com 24 categorias, incluindo 22 categorias de autossomos marcados de 0-21 e cromossomos sexuais X, Y marcados como 22 e 23, respectivamente. Todas as imagens têm resoluc ¸ão de 300 × 300 pixels.…”

Section: Base De Imagensunclassified

“…Conforme evidenciado na Sec ¸ão 2, o estudo de [Xia et al 2023] alcanc ¸ou a mais alta acurácia entre todos os estudos listados, atingindo 99,58%. Em seguida, o trabalho de [Lin et al 2022] obteve uma acurácia de 99,33%, com precisão, recall e F1-Score todos em 99%. No entanto, a falta de informac ¸ões sobre o coeficiente de concordância kappa e desvio padrão em ambos os estudos deixa uma lacuna na avaliac ¸ão da consistência e confiabilidade dos modelos.…”

Section: Comparac ¸ãO Com O Estado Da Arteunclassified

See 3 more Smart Citations

Explorando Arquiteturas de Redes Neurais Profundas na Classificação de Imagens de Cariótipos Humanos

Imperes Filho,

Machado,

Monte

et al. 2024

Anais Do XXIV Simpósio Brasileiro De Computação Aplicada À Saúde (SBCAS 2024)

View full text Add to dashboard Cite

A análise cromossômica, uma prática clinicamente crucial realizada tradicionalmente por geneticistas, pode ser suscetível à fadiga ao longo do tempo, afetando a qualidade dos diagnósticos. Neste artigo, exploramos a classificação automatizada de imagens de cromossomos por meio de diversas arquiteturas de redes neurais profundas. Avaliamos 23 pares de cromossomos humanos em uma tarefa multiclasse, revelando resultados promissores. Destacam-se os desempenhos superiores da arquitetura DenseNet169, alcançando uma acurácia, precisão, recall e F1-Score de 98,77%. O índice de concordância Kappa atingiu um nível ”Excelente”(0,99), enquanto um baixo desvio padrão (0,002) ressaltou a consistência das métricas, conferindo confiabilidade e previsibilidade ao modelo proposto.

show abstract

Section: Resultsunclassified

Section: Trabalhos Relacionadosunclassified

Section: Base De Imagensunclassified

Section: Comparac ¸ãO Com O Estado Da Arteunclassified

See 2 more Smart Citations

Explorando Arquiteturas de Redes Neurais Profundas na Classificação de Imagens de Cariótipos Humanos

Imperes Filho,

Machado,

Monte

et al. 2024

Anais Do XXIV Simpósio Brasileiro De Computação Aplicada À Saúde (SBCAS 2024)

View full text Add to dashboard Cite

show abstract

“…Another dataset of ChromosomeNet [30] including G-band stained images in metaphase is served as an independent unseen dataset. We select 1,633 real world bent and 1,500 straight chromosomes from this dataset for experiments.…”

Section: A Datasetsmentioning

confidence: 99%

Masked Conditional Variational Autoencoders for Chromosome Straightening

Zheng

Shui

et al. 2024

IEEE Trans. Med. Imaging

View full text Add to dashboard Cite

Karyotyping is of importance for detecting chromosomal aberrations in human disease. However, chromosomes easily appear curved in microscopic images, which prevents cytogeneticists from analyzing chromosome types. To address this issue, we propose a framework for chromosome straightening, which comprises a preliminary processing algorithm and a generative model called masked conditional variational autoencoders (MC-VAE). The processing method utilizes patch rearrangement to address the difficulty in erasing low degrees of curvature, providing reasonable preliminary results for the MC-VAE. The MC-VAE further straightens the results by leveraging chromosome patches conditioned on their curvatures to learn the mapping between banding patterns and conditions. During model training, we apply a masking strategy with a high masking ratio to train the MC-VAE with eliminated redundancy. This yields a non-trivial reconstruction task, allowing the model to effectively preserve chromosome banding patterns and structure details in the reconstructed results. Extensive experiments on three public datasets with two stain styles show that our framework surpasses the performance of state-of-the-art methods in retaining banding patterns and structure details. Compared to using real-world bent chromosomes, the use of high-quality straightened chromosomes generated by our proposed method can improve the performance of various deep learning models for chromosome classification by a large margin. Such a straightening approach has the potential to be combined with other karyotyping systems to assist cytogeneticists in chromosome analysis.

show abstract

A Suitability Assessment Framework for Medical Cell Images in Chromosome Analysis

Mo,

Lin,

Chen

et al. 2023

Lecture Notes in Computer Science

View full text Add to dashboard Cite

ChromosomeNet: A massive dataset enabling benchmarking and building basedlines of clinical chromosome classification

Cited by 8 publications

References 43 publications

Explorando Arquiteturas de Redes Neurais Profundas na Classificação de Imagens de Cariótipos Humanos

Explorando Arquiteturas de Redes Neurais Profundas na Classificação de Imagens de Cariótipos Humanos

Masked Conditional Variational Autoencoders for Chromosome Straightening

A Suitability Assessment Framework for Medical Cell Images in Chromosome Analysis

Contact Info

Product

Resources

About