論文の概要: Gleason Score Prediction using Deep Learning in Tissue Microarray Image

• arxiv url: http://arxiv.org/abs/2005.04886v1
• Date: Mon, 11 May 2020 07:00:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 20:37:25.943433
• Title: Gleason Score Prediction using Deep Learning in Tissue Microarray Image
• Title（参考訳）: 組織マイクロアレイ画像における深層学習を用いたグリーソンスコア予測
• Authors: Yi-hong Zhang, Jing Zhang, Yang Song, Chaomin Shen, Guang Yang
• Abstract要約: 我々はGleason 2019 Challengeデータセットを使用して、組織マイクロアレイ(TMA)画像を分割する畳み込みニューラルネットワーク(CNN)モデルを構築しました。 プレトレーニングした前立腺セグメンテーションモデルを用いて,Gleasonグレードセグメンテーションの精度を向上した。 このモデルはテストコホートで平均75.6%のDiceを達成し、Gleason 2019 Challengeで4位となり、コーエンのカッパとf1スコアを組み合わせたスコアは0.778となった。
• 参考スコア（独自算出の注目度）: 15.959329921417618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prostate cancer (PCa) is one of the most common cancers in men around the world. The most accurate method to evaluate lesion levels of PCa is microscopic inspection of stained biopsy tissue and estimate the Gleason score of tissue microarray (TMA) image by expert pathologists. However, it is time-consuming for pathologists to identify the cellular and glandular patterns for Gleason grading in large TMA images. We used Gleason2019 Challenge dataset to build a convolutional neural network (CNN) model to segment TMA images to regions of different Gleason grades and predict the Gleason score according to the grading segmentation. We used a pre-trained model of prostate segmentation to increase the accuracy of the Gleason grade segmentation. The model achieved a mean Dice of 75.6% on the test cohort and ranked 4th in the Gleason2019 Challenge with a score of 0.778 combined of Cohen's kappa and the f1-score.
• Abstract（参考訳）: 前立腺癌(PCa)は、世界中の男性において最も多いがんの1つである。 PCaの病変レベルを評価する最も正確な方法は、染色された生検組織の顕微鏡検査と、専門の病理医による組織マイクロアレイ(TMA)画像のグリーソンスコアの推定である。 しかし、病理学者が大きなTMA画像でグリーソン分解の細胞および腺パターンを特定するのに時間がかかる。 我々は、Gleason2019 Challengeデータセットを使用して、畳み込みニューラルネットワーク(CNN)モデルを構築し、TMA画像を異なるGleasonグレードのリージョンに分割し、グレーディングセグメンテーションに従ってGleasonスコアを予測する。 プレトレーニングした前立腺セグメンテーションモデルを用いて,Gleasonグレードセグメンテーションの精度を高めた。 このモデルはテストコホートで平均75.6%のDiceを達成し、Gleason2019 Challengeで4位となり、コーエンのカッパとf1スコアを組み合わせたスコアは0.778となった。

関連論文リスト

• Poisson Ordinal Network for Gleason Group Estimation Using Bi-Parametric MRI [15.754944195515504]
  グリーソン群は前立腺癌の主要な組織学的分類体系として機能する。 臨床実践では、超音波ガイド下生検で得られた標本に基づいて、病理学者がグリーソン群を決定する。 我々は,MRI画像からGleason群を直接推定し,必要な生検を減らし得る可能性を検討した。
  論文  参考訳（メタデータ） (2024-07-08T09:56:30Z)
• 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)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Going Deeper through the Gleason Scoring Scale: An Automatic end-to-end System for Histology Prostate Grading and Cribriform Pattern Detection [7.929433631399375]
  本研究の目的は,前立腺生検の日常的分析において病理医を支援できるディープラーニングベースのシステムを開発することである。 この研究の方法論的コアは、がんパターンの存在を決定できる畳み込みニューラルネットワークに基づくパッチワイズ予測モデルである。
  論文  参考訳（メタデータ） (2021-05-21T17:51:53Z)
• WeGleNet: A Weakly-Supervised Convolutional Neural Network for the Semantic Segmentation of Gleason Grades in Prostate Histology Images [1.52819437883813]
  本研究では,前立腺組織における局所的ながんパターンを,訓練中のグローバルレベルGleasonスコアのみを用いて検出する深層学習システムを提案する。 検証コホートにおける癌パターンの画素レベルの予測のために,コーエンの2次カッパ(k)を0.67で取得した。 我々は、Gleasonグレードのセマンティックセグメンテーションのためのモデル性能を、テストコホートにおける教師付き最先端アーキテクチャと比較した。
  論文  参考訳（メタデータ） (2021-05-21T16:27:16Z)
• Self-learning for weakly supervised Gleason grading of local patterns [6.97280833203187]
  本稿では,自己学習CNNに基づく弱教師付きディープラーニングモデルを提案し,パッチレベルのパターンと生検レベルのスコアリングの両方を正確に行う。 提案手法はパッチレベルのGleasonグレーディングにおいて,大きなマージン差で教師付き手法よりも優れていることを実証的に実証した。
  論文  参考訳（メタデータ） (2021-05-21T15:39:50Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
  前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。 コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。 この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
  論文  参考訳（メタデータ） (2020-05-22T19:49:10Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。