SwePub
Sök i LIBRIS databas

  Utökad sökning

WFRF:(Fredin Haslum Johan)
 

Sökning: WFRF:(Fredin Haslum Johan) > Metadata-guided Con...

Metadata-guided Consistency Learning for High Content Images

Fredin Haslum, Johan (författare)
KTH,Beräkningsvetenskap och beräkningsteknik (CST),Science for Life Laboratory, SciLifeLab,AstraZeneca, Gothenburg, Sweden
Matsoukas, Christos (författare)
KTH,Beräkningsvetenskap och beräkningsteknik (CST),Science for Life Laboratory, SciLifeLab,AstraZeneca, Gothenburg, Sweden
Leuchowius, Karl Johan (författare)
AstraZeneca, Gothenburg, Sweden
visa fler...
Müllers, Erik (författare)
AstraZeneca, Gothenburg, Sweden
Smith, Kevin, 1975- (författare)
KTH,Science for Life Laboratory, SciLifeLab,Beräkningsvetenskap och beräkningsteknik (CST)
visa färre...
 (creator_code:org_t)
ML Research Press, 2023
2023
Engelska.
Ingår i: Medical Imaging with Deep Learning 2023, MIDL 2023. - : ML Research Press. ; , s. 918-936
  • Konferensbidrag (refereegranskat)
Abstract Ämnesord
Stäng  
  • High content imaging assays can capture rich phenotypic response data for large sets of compound treatments, aiding in the characterization and discovery of novel drugs. However, extracting representative features from high content images that can capture subtle nuances in phenotypes remains challenging. The lack of high-quality labels makes it difficult to achieve satisfactory results with supervised deep learning. Self-Supervised learning methods have shown great success on natural images, and offer an attractive alternative also to microscopy images. However, we find that self-supervised learning techniques underperform on high content imaging assays. One challenge is the undesirable domain shifts present in the data known as batch effects, which are caused by biological noise or uncontrolled experimental conditions. To this end, we introduce Cross-Domain Consistency Learning (CDCL), a self-supervised approach that is able to learn in the presence of batch effects. CDCL enforces the learning of biological similarities while disregarding undesirable batch-specific signals, leading to more useful and versatile representations. These features are organised according to their morphological changes and are more useful for downstream tasks - such as distinguishing treatments and mechanism of action.

Ämnesord

NATURVETENSKAP  -- Data- och informationsvetenskap -- Datavetenskap (hsv//swe)
NATURAL SCIENCES  -- Computer and Information Sciences -- Computer Sciences (hsv//eng)
NATURVETENSKAP  -- Data- och informationsvetenskap (hsv//swe)
NATURAL SCIENCES  -- Computer and Information Sciences (hsv//eng)

Nyckelord

Domain Shifts
High Content Screening
Representational Learning
Datalogi

Publikations- och innehållstyp

ref (ämneskategori)
kon (ämneskategori)

Till lärosätets databas

Hitta mer i SwePub

Av författaren/redakt...
Fredin Haslum, J ...
Matsoukas, Chris ...
Leuchowius, Karl ...
Müllers, Erik
Smith, Kevin, 19 ...
Om ämnet
NATURVETENSKAP
NATURVETENSKAP
och Data och informa ...
och Datavetenskap
NATURVETENSKAP
NATURVETENSKAP
och Data och informa ...
Artiklar i publikationen
Av lärosätet
Kungliga Tekniska Högskolan

Sök utanför SwePub

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy