論文の概要: Automated Detection of Cribriform Growth Patterns in Prostate Histology
Images
- arxiv url: http://arxiv.org/abs/2003.10543v2
- Date: Fri, 11 Sep 2020 13:15:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 00:42:55.945071
- Title: Automated Detection of Cribriform Growth Patterns in Prostate Histology
Images
- Title（参考訳）: 前立腺組織像における結晶成長パターンの自動検出
- Authors: Pierre Ambrosini, Eva Hollemans, Charlotte F. Kweldam, Geert J. L. H.
van Leenders, Sjoerd Stallinga, Frans Vos
- Abstract要約: 前立腺癌におけるCribriform growth patternは予後不良と関連している。
畳み込みニューラルネットワークは 前立腺の128の生検で クリブリフォーム成長パターンを検出するために訓練された
- 参考スコア（独自算出の注目度）: 0.13048920509133805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cribriform growth patterns in prostate carcinoma are associated with poor
prognosis. We aimed to introduce a deep learning method to detect such patterns
automatically. To do so, convolutional neural network was trained to detect
cribriform growth patterns on 128 prostate needle biopsies. Ensemble learning
taking into account other tumor growth patterns during training was used to
cope with heterogeneous and limited tumor tissue occurrences. ROC and FROC
analyses were applied to assess network performance regarding detection of
biopsies harboring cribriform growth pattern. The ROC analysis yielded a mean
area under the curve up to 0.81. FROC analysis demonstrated a sensitivity of
0.9 for regions larger than 0.0150 mm2 with on average 7.5 false positives. To
benchmark method performance for intra-observer annotation variability, false
positive and negative detections were re-evaluated by the pathologists.
Pathologists considered 9% of the false positive regions as cribriform, and 11%
as possibly cribriform; 44% of the false negative regions were not annotated as
cribriform. As a final experiment, the network was also applied on a dataset of
60 biopsy regions annotated by 23 pathologists. With the cut-off reaching
highest sensitivity, all images annotated as cribriform by at least 7/23 of the
pathologists, were all detected as cribriform by the network and 9/60 of the
images were detected as cribriform whereas no pathologist labelled them as
such. In conclusion, the proposed deep learning method has high sensitivity for
detecting cribriform growth patterns at the expense of a limited number of
false positives. It can detect cribriform regions that are labelled as such by
at least a minority of pathologists. Therefore, it could assist clinical
decision making by suggesting suspicious regions.
- Abstract（参考訳）: 前立腺癌におけるcribriform growth patternは予後不良と関連している。
そこで,このようなパターンを自動的に検出する深層学習手法を提案する。
そのため、畳み込みニューラルネットワークは、128個の前立腺針生検で異常な成長パターンを検出するように訓練された。
トレーニング中の他の腫瘍成長パターンを考慮したアンサンブル学習は、異種および限られた腫瘍組織の発生に対処するために用いられた。
ROC法とFROC法を応用し, クリブリフォーム成長パターンを有する生検のネットワーク性能を評価した。
ROC分析の結果、曲線下の平均面積は0.81である。
FROC分析では平均7.5偽陽性の0.0150 mm2以上の領域では0.9の感度を示した。
サーバ内アノテーションの可変性を評価するため,病理学者による偽陽性と陰性検出を再度評価した。
病理学者は偽陽性領域の9%をクリブリフォルム、11%がクリブリフォルムであり、偽陰性領域の44%はクリブリフォルムとしてアノテートされていない。
最終実験として、23人の病理学者によって注釈された60の生検領域のデータセットにもネットワークが適用された。
カットオフが最高感度に達すると、病理医の少なくとも7/23によりクリブリフォルムとしてアノテートされた全ての画像がネットワークによってクリブリフォルムとして検出され、画像の9/60がクリブリフォルムとして検出された。
提案手法は, 限られた数の偽陽性を犠牲にして, クリブリフォーム成長パターンを検出するための感度が高い。
少なくとも少数の病理学者によってラベル付けされたクリブリフォーム領域を検出することができる。
そのため、疑わしい地域を提案することで臨床意思決定を支援することができる。
関連論文リスト
- Immunohistochemistry guided segmentation of benign epithelial cells, in situ lesions, and invasive epithelial cells in breast cancer slides [0.3251634769699391]
乳がん領域における上皮細胞のセグメンテーションのためのAIモデルを開発した。
浸潤上皮細胞,良性上皮細胞,in situ病変に対するDiceスコア0.70,0.79,0.75の定量評価を行った。
論文 参考訳（メタデータ） (2023-11-22T09:25:08Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳（メタデータ） (2022-09-27T14:08:19Z) - EGFR Mutation Prediction of Lung Biopsy Images using Deep Learning [1.793983482813105]
本研究では,EGFR変異の形態的相関を識別するために,教師の弱いカスタマイズ深層学習パイプラインを用いた。
病理組織学的に腺癌と扁平上皮癌との鑑別は0.942であった。
EGFR検出では,TGAデータセットでは平均0.864AUC,インドからのデータセットでは0.783AUCを達成した。
論文 参考訳（メタデータ） (2022-08-26T08:56:33Z) - Improved Pancreatic Tumor Detection by Utilizing Clinically-Relevant
Secondary Features [6.132193527180974]
膵臓がんは、がん関連死亡の世界的な原因の1つである。
本稿では,周囲の解剖学的構造の臨床的特徴を利用した膵腫瘍の検出法を提案する。
論文 参考訳（メタデータ） (2022-08-06T20:38:25Z) - Using deep learning to detect patients at risk for prostate cancer
despite benign biopsies [0.7739635712759623]
良性前立腺生検全スライド画像における形態的パターンを識別するために, 深部畳み込みニューラルネットワークモデルを開発し, 検証した。
提案モデルは, 定期的前立腺生検における偽陰性症例数を減少させる可能性がある。
論文 参考訳（メタデータ） (2021-06-27T15:21:33Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - 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) - Multi-scale Deep Learning Architecture for Nucleus Detection in Renal
Cell Carcinoma Microscopy Image [7.437224586066945]
クリアセル腎細胞癌(CCRCC)は、腎癌の研究における腫瘍内異種性の最も一般的な形態の1つです。
本稿では,IHC染色組織像の細胞分類のための深層学習に基づく検出モデルを提案する。
本モデルでは,マルチスケールピラミッドの特徴と局所境界領域からのサリーエンシー情報をマッピングし,回帰によって境界ボックス座標を予測する。
論文 参考訳（メタデータ） (2021-04-28T03:36:02Z) - Reducing false-positive biopsies with deep neural networks that utilize
local and global information in screening mammograms [45.19322938294639]
良性組織となる生検の頻度を下げることが重要である。
本研究では, 生検病変を悪性か良性のいずれかと分類するために, ディープニューラルネットワーク(DNN)を構築した。
論文 参考訳（メタデータ） (2020-09-19T18:54:01Z) - Segmentation for Classification of Screening Pancreatic Neuroendocrine
Tumors [72.65802386845002]
本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。
我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。
我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
論文 参考訳（メタデータ） (2020-04-04T21:21:44Z)
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。