論文の概要: Deep Object Detection based Mitosis Analysis in Breast Cancer Histopathological Images

• arxiv url: http://arxiv.org/abs/2003.08803v1
• Date: Tue, 17 Mar 2020 00:51:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 20:29:02.925783
• Title: Deep Object Detection based Mitosis Analysis in Breast Cancer Histopathological Images
• Title（参考訳）: 深達度検出に基づく乳癌組織像の組織学的解析
• Authors: Anabia Sohail, Muhammad Ahsan Mukhtar, Asifullah Khan, Muhammad Mohsin Zafar, Aneela Zameer, Saranjam Khan
• Abstract要約: 提案モデルの性能は, TUPAC16データセット上の2段階検出モデル(Fスコア0.701)と比較して, 有意な精度(0.86)を有する有糸分裂核の識別能力の向上(Fスコア0.86)を示す。 実験結果から, 深部物体検出に基づくモデルでは, 弱い注釈付きデータから有糸分裂核の特徴を学習できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.24466725954625884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Empirical evaluation of breast tissue biopsies for mitotic nuclei detection is considered an important prognostic biomarker in tumor grading and cancer progression. However, automated mitotic nuclei detection poses several challenges because of the unavailability of pixel-level annotations, different morphological configurations of mitotic nuclei, their sparse representation, and close resemblance with non-mitotic nuclei. These challenges undermine the precision of the automated detection model and thus make detection difficult in a single phase. This work proposes an end-to-end detection system for mitotic nuclei identification in breast cancer histopathological images. Deep object detection-based Mask R-CNN is adapted for mitotic nuclei detection that initially selects the candidate mitotic region with maximum recall. However, in the second phase, these candidate regions are refined by multi-object loss function to improve the precision. The performance of the proposed detection model shows improved discrimination ability (F-score of 0.86) for mitotic nuclei with significant precision (0.86) as compared to the two-stage detection models (F-score of 0.701) on TUPAC16 dataset. Promising results suggest that the deep object detection-based model has the potential to learn the characteristic features of mitotic nuclei from weakly annotated data and suggests that it can be adapted for the identification of other nuclear bodies in histopathological images.
• Abstract（参考訳）: 子宮内膜核検出のための乳腺組織生検の実験的評価は,腫瘍グレーディングや癌進行において重要な予後指標であると考えられる。 しかし、自動ミオティック核検出は、ピクセルレベルのアノテーションが利用できないこと、ミオティック核の異なる形態構成、そのスパース表現、非ミオティック核との密接な類似性など、いくつかの問題を引き起こす。 これらの課題は、自動検出モデルの精度を損なうため、単一フェーズでの検出が困難になる。 本研究は乳癌組織像におけるミトコンドリア核同定のためのエンドツーエンド検出システムを提案する。 ディープオブジェクト検出に基づくMask R-CNNは、最初は最大リコールで候補ミトティック領域を選択するミトティック核検出に適応する。 しかし、第2段階では、これらの候補領域は、精度を向上させるために多目的損失関数によって洗練される。 提案モデルの性能は, TUPAC16データセット上の2段階検出モデル(Fスコア0.701)と比較して, 有意な精度(0.86)を有する有糸分裂核の識別能力の向上(Fスコア0.86)を示す。 有望な結果は、深部物体検出に基づくモデルが弱い注釈データから分裂核の特徴を学習する可能性を示唆し、病理組織学的画像における他の核体の同定に適応できることを示唆している。

関連論文リスト

• Natias: Neuron Attribution based Transferable Image Adversarial Steganography [62.906821876314275]
  逆行性ステガナグラフィーは、ディープラーニングに基づくステガナリシスを効果的に欺く能力から、かなりの注目を集めている。 そこで我々は,Natias という新たな逆向きステガノグラフィー手法を提案する。 提案手法は既存の逆向きステガノグラフィーフレームワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-09-08T04:09:51Z)
• Breast Histopathology Image Retrieval by Attention-based Adversarially Regularized Variational Graph Autoencoder with Contrastive Learning-Based Feature Extraction [1.48419209885019]
  本研究は,乳房組織像検索のための新しいアテンションベース逆正則変分グラフオートエンコーダモデルを提案する。 乳がん組織像の2つの公開データセットを用いて,提案モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-05-07T11:24:37Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Lesion detection in contrast enhanced spectral mammography [0.0]
  近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。 本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
  論文  参考訳（メタデータ） (2022-07-20T06:49:02Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Stain-Robust Mitotic Figure Detection for the Mitosis Domain Generalization Challenge [2.072197863131669]
  Mitosis DOmain Generalization (MIDOG)の課題は、複数のスキャナーから見えないデータに対して、検出モデルの堅牢性をテストすることである。 この課題に対処するために,TAAセンターチームが採用したアプローチについて,簡単な概要を述べる。
  論文  参考訳（メタデータ） (2021-09-02T11:44:42Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• DenseNet for Breast Tumor Classification in Mammographic Images [0.0]
  本研究の目的は,マンモグラフィ画像における乳腺病変の自動検出,分画,分類のための深層畳み込みニューラルネットワーク手法を構築することである。 ディープラーニングに基づいて,選択と抽出を特徴とするmask-cnn(roialign)法を開発し,drknet architectureを用いて分類を行った。
  論文  参考訳（メタデータ） (2021-01-24T03:30:59Z)
• Deep Feature Fusion for Mitosis Counting [0.0]
  有糸分裂細胞数は、乳がんの攻撃性または品位を評価する最も一般的な検査の1つである。 ディープラーニングネットワークは、興味のある領域を自動的にローカライズできる医療アプリケーションに適用されている。 提案手法は,オブジェクト検出のための高速RCNNを利用して,RGB画像特徴を持つUNetによって生成されたセグメンテーション機能を融合させ,MITOS-ATYPIA 2014 mitosis counting Challengeデータセット上で0.508のFスコアを達成する。
  論文  参考訳（メタデータ） (2020-02-01T20:20:00Z)

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。