論文の概要: A Study of Deep Learning Colon Cancer Detection in Limited Data Access
Scenarios
- arxiv url: http://arxiv.org/abs/2005.10326v2
- Date: Fri, 22 May 2020 09:03:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 06:06:40.834822
- Title: A Study of Deep Learning Colon Cancer Detection in Limited Data Access
Scenarios
- Title（参考訳）: 限られたデータアクセスシナリオにおける深達度大腸癌検出に関する研究
- Authors: Apostolia Tsirikoglou, Karin Stacke, Gabriel Eilertsen, Martin
Lindvall, Jonas Unger
- Abstract要約: 分類と検出のためのディープラーニング手法は、大きな可能性を示しているが、多くの場合、大量のトレーニングデータを必要とする。
多くのがんタイプにおいて、データの不足はDLモデルをトレーニングするための障壁を生み出す。
リンパ節データが少ない,あるいはほとんどない癌転移を検出できることを示し,既存の注釈組織学的データが他の領域に一般化できる可能性を示した。
- 参考スコア（独自算出の注目度）: 6.338265282525758
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digitization of histopathology slides has led to several advances, from easy
data sharing and collaborations to the development of digital diagnostic tools.
Deep learning (DL) methods for classification and detection have shown great
potential, but often require large amounts of training data that are hard to
collect, and annotate. For many cancer types, the scarceness of data creates
barriers for training DL models. One such scenario relates to detecting tumor
metastasis in lymph node tissue, where the low ratio of tumor to non-tumor
cells makes the diagnostic task hard and time-consuming. DL-based tools can
allow faster diagnosis, with potentially increased quality. Unfortunately, due
to the sparsity of tumor cells, annotating this type of data demands a high
level of effort from pathologists. Using weak annotations from slide-level
images have shown great potential, but demand access to a substantial amount of
data as well. In this study, we investigate mitigation strategies for limited
data access scenarios. Particularly, we address whether it is possible to
exploit mutual structure between tissues to develop general techniques, wherein
data from one type of cancer in a particular tissue could have diagnostic value
for other cancers in other tissues. Our case is exemplified by a DL model for
metastatic colon cancer detection in lymph nodes. Could such a model be trained
with little or even no lymph node data? As alternative data sources, we
investigate 1) tumor cells taken from the primary colon tumor tissue, and 2)
cancer data from a different organ (breast), either as is or transformed to the
target domain (colon) using Cycle-GANs. We show that the suggested approaches
make it possible to detect cancer metastasis with no or very little lymph node
data, opening up for the possibility that existing, annotated histopathology
data could generalize to other domains.
- Abstract（参考訳）: 病理組織スライドのデジタル化は、簡単なデータ共有やコラボレーションからデジタル診断ツールの開発まで、いくつかの進歩をもたらした。
分類と検出のためのディープラーニング(dl)法は大きな可能性を示しているが、収集や注釈が難しい大量のトレーニングデータを必要とすることが多い。
多くのがんタイプでは、データの不足はdlモデルのトレーニングの障壁を生み出します。
このようなシナリオの1つはリンパ節組織における腫瘍転移の検出であり、腫瘍の非腫瘍細胞に対する比率が低いため、診断作業は困難で時間を要する。
DLベースのツールはより高速な診断を可能にし、品質が向上する可能性がある。
残念なことに、腫瘍細胞の腫大のため、この種のデータに注釈を付けるには、病理学者による高い労力を要する。
スライドレベルの画像から弱いアノテーションを使うことは大きな可能性を秘めているが、大量のデータへのアクセスも要求している。
本研究では,限られたデータアクセスシナリオに対する緩和戦略を検討する。
特に, 組織間の相互構造を生かして一般技術を開発することが可能か, 特定の組織内の1種類の癌から得られるデータは, 他の組織内の他のがんに対する診断価値を有する可能性がある。
本症例はリンパ節転移性大腸癌検出のためのDLモデルにより実証された。
このようなモデルは、ほとんど、あるいは全くリンパ節データなしで訓練できるのだろうか?
代替データソースとして、我々は調査する
1)原発性大腸腫瘍組織から採取した腫瘍細胞、および
2) 異なる臓器(乳癌)から得られたがんデータは,Cycle-GANを用いて標的領域(大腸)に変化した。
提案手法により,リンパ節データが少ない,あるいは極めて少ない癌転移を検出でき,既存の注釈組織学的データが他の領域に一般化できる可能性が示唆された。
関連論文リスト
- MMFusion: Multi-modality Diffusion Model for Lymph Node Metastasis Diagnosis in Esophageal Cancer [13.74067035373274]
CT画像に基づくリンパ節転移診断のためのマルチモーダルな不均一グラフに基づく条件付き特徴誘導拡散モデルを提案する。
本稿では, 悪性腫瘍とリンパ節像の関連性, 優先性を明らかにすることを目的として, マスク付き関係表現学習戦略を提案する。
論文 参考訳（メタデータ） (2024-05-15T17:52:00Z) - RCdpia: A Renal Carcinoma Digital Pathology Image Annotation dataset based on pathologists [14.79279940958727]
腫瘍領域と隣接領域(RCdpia)を個別にラベル付けしたTCGAデジタル病理データセットを作成した。
このデータセットはhttp://39.171.241.18:8888/RCdpia/で公開されている。
論文 参考訳（メタデータ） (2024-03-17T13:23:25Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - 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) - Domain adaptation strategies for cancer-independent detection of lymph
node metastases [8.00124399861179]
大規模で高品質な公開データセットは、乳がんのリンパ節転移を検出する畳み込みニューラルネットワークの開発につながっている。
マルチタスク設定において,既存の高品質データセットを最も効率的に活用する方法を示す。
論文 参考訳（メタデータ） (2022-07-13T13:41:20Z) - Producing Histopathology Phantom Images using Generative Adversarial
Networks to improve Tumor Detection [0.0]
本稿では,GANを用いたデータ拡張が,我々のデータセットにおける異なる種類のがんの分布の不均一性を軽減するための有効な解決策であることを確かめる。
実験の結果,50%に増強されたデータセットは腫瘍検出率を80%から87.5%に向上させることがわかった。
論文 参考訳（メタデータ） (2022-05-21T23:04:20Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - Primary Tumor and Inter-Organ Augmentations for Supervised Lymph Node
Colon Adenocarcinoma Metastasis Detection [8.69535649683089]
ラベル付きデータの不足は、病理組織学応用のためのディープラーニングベースのモデルを開発する上で、大きなボトルネックとなる。
本研究は,対象領域の限定的あるいは全く表現されていない場合の大腸癌転移検出のためのトレーニングデータの拡張方法について検討する。
論文 参考訳（メタデータ） (2021-09-17T17:31:25Z) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。
本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文 参考訳（メタデータ） (2020-11-22T17:31:23Z) - 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。