論文の概要: Deep neural network models for computational histopathology: A survey

• arxiv url: http://arxiv.org/abs/1912.12378v2
• Date: Mon, 26 Oct 2020 19:49:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-17 12:44:06.893561
• Title: Deep neural network models for computational histopathology: A survey
• Title（参考訳）: 計算病理学のための深層ニューラルネットワークモデル:調査
• Authors: Chetan L. Srinidhi, Ozan Ciga, Anne L. Martel
• Abstract要約: 深層学習は がん組織像の分析と解釈において 主流の方法論選択となりました 本稿では,現在使われている最先端の深層学習手法について概説する。 私たちは、現在のディープラーニングアプローチにおける重要な課題と制限と、将来の研究への道のりを強調します。
• 参考スコア（独自算出の注目度）: 1.2891210250935146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Histopathological images contain rich phenotypic information that can be used to monitor underlying mechanisms contributing to diseases progression and patient survival outcomes. Recently, deep learning has become the mainstream methodological choice for analyzing and interpreting cancer histology images. In this paper, we present a comprehensive review of state-of-the-art deep learning approaches that have been used in the context of histopathological image analysis. From the survey of over 130 papers, we review the fields progress based on the methodological aspect of different machine learning strategies such as supervised, weakly supervised, unsupervised, transfer learning and various other sub-variants of these methods. We also provide an overview of deep learning based survival models that are applicable for disease-specific prognosis tasks. Finally, we summarize several existing open datasets and highlight critical challenges and limitations with current deep learning approaches, along with possible avenues for future research.
• Abstract（参考訳）: 病理組織像は、疾患の進行と患者の生存に寄与するメカニズムを監視するために使用できる豊富な表現型情報を含んでいる。 近年,癌組織像を解析・解釈する手法として,深層学習が主流となっている。 本稿では,病理組織学的画像解析の文脈で用いられてきた最先端のディープラーニングアプローチの包括的レビューを行う。 130以上の論文を対象とした調査から, 教師付き, 弱教師付き, 教師なし, トランスファーラーニングなど, さまざまな機械学習戦略の方法論的側面に基づいて, 分野の進歩を概観する。 また,疾患特異的予後課題に適用可能な深層学習に基づく生存モデルについて概説する。 最後に、既存のいくつかのオープンデータセットを要約し、将来の研究への道筋とともに、現在のディープラーニングアプローチにおける重要な課題と限界を強調する。

関連論文リスト

• A systematic review: Deep learning-based methods for pneumonia region detection [0.0]
  肺炎は世界中の子供や成人の主要な死因の1つである。 診断プロセスの効率と精度を向上させるため, コンピュータ支援型肺炎検出法が開発されている。 本報告では, 肺炎領域の検出において, 従来主流であった深層学習アプローチを探索し, 検討した。
  論文  参考訳（メタデータ） (2024-08-23T18:00:22Z)
• Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
  オントロジはドメイン知識とメタデータを表現するために広く使われている。 1つの簡単な解決策は、統計分析と機械学習を統合することである。 埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
  論文  参考訳（メタデータ） (2024-06-16T14:49:19Z)
• Knowledge-enhanced Visual-Language Pretraining for Computational Pathology [68.6831438330526]
  本稿では,公共資源から収集した大規模画像テキストペアを利用した視覚的表現学習の課題について考察する。 ヒト32組織から病理診断を必要とする4,718の疾患に対して50,470個の情報属性からなる病理知識ツリーをキュレートする。
  論文  参考訳（メタデータ） (2024-04-15T17:11:25Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Towards Label-efficient Automatic Diagnosis and Analysis: A Comprehensive Survey of Advanced Deep Learning-based Weakly-supervised, Semi-supervised and Self-supervised Techniques in Histopathological Image Analysis [17.22614309681354]
  病理像は, 疾患診断における金の基準である, 表現型情報や病理パターンが豊富である。 畳み込みニューラルネットワークで表現されるディープラーニングは、デジタル病理学の分野で徐々に主流になりつつある。 本稿では,コンピュータ病理学分野における弱教師付き学習,半教師付き学習,自己教師型学習に関する最新の研究を包括的かつ体系的に概説する。
  論文  参考訳（メタデータ） (2022-08-18T11:49:41Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• A Survey on Graph-Based Deep Learning for Computational Histopathology [36.58189530598098]
  我々は、デジタル病理と生検画像パッチの分析に機械学習と深層学習の利用が急速に拡大しているのを目撃した。 畳み込みニューラルネットワークを用いたパッチワイド機能に関する従来の学習は、グローバルなコンテキスト情報をキャプチャしようとする際のモデルを制限する。 本稿では,グラフに基づく深層学習の概念的基盤を提供し,腫瘍の局在と分類,腫瘍浸潤とステージング,画像検索,生存予測の現在の成功について論じる。
  論文  参考訳（メタデータ） (2021-07-01T07:50:35Z)
• Recent advances and clinical applications of deep learning in medical image analysis [7.132678647070632]
  我々は最近200以上の論文をレビュー・要約し、様々な医用画像解析タスクにおける深層学習手法の適用の概要を概観した。 特に,医用画像における最先端の非教師あり半教師あり深層学習の進歩と貢献を強調した。
  論文  参考訳（メタデータ） (2021-05-27T18:05:12Z)
• Objective Diagnosis for Histopathological Images Based on Machine Learning Techniques: Classical Approaches and New Trends [0.33554367023486936]
  病理組織像は顕微鏡で撮影され、多くの疾患を特定し、調査し、分類する。 病理組織像の解析は、疾患の診断を支援する多種多様かつ関連する研究領域である。 本稿では, 組織像解析に応用された従来の深層学習技術について概観する。
  論文  参考訳（メタデータ） (2020-11-10T07:31:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。