論文の概要: Perfusion Quantification from Endoscopic Videos: Learning to Read Tumor Signatures

• arxiv url: http://arxiv.org/abs/2006.14321v1
• Date: Thu, 25 Jun 2020 11:53:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 03:47:59.037538
• Title: Perfusion Quantification from Endoscopic Videos: Learning to Read Tumor Signatures
• Title（参考訳）: 内視鏡画像からの拡散定量化:腫瘍信号の読み方を学ぶ
• Authors: Sergiy Zhuk, Jonathan P. Epperlein, Rahul Nair, Seshu Thirupati, Pol Mac Aonghusa, Ronan Cahill, Donal O'Shea
• Abstract要約: 本稿では,動的灌流パターンの微妙な差異をコンピュータ支援で解釈するための灌流定量化手法を提案する。 この方法は、癌血管新生から発生する血管が周囲の組織と異なる灌流パターンをもたらすという事実を利用する。 内視鏡検査による大腸癌手術のコホートについて実験的に評価した結果, 腫瘍の診断は正常, 癌, 良性組織を95%の精度で識別できることが示唆された。
• 参考スコア（独自算出の注目度）: 3.5769263034973697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intra-operative identification of malignant versus benign or healthy tissue is a major challenge in fluorescence guided cancer surgery. We propose a perfusion quantification method for computer-aided interpretation of subtle differences in dynamic perfusion patterns which can be used to distinguish between normal tissue and benign or malignant tumors intra-operatively in real-time by using multispectral endoscopic videos. The method exploits the fact that vasculature arising from cancer angiogenesis gives tumors differing perfusion patterns from the surrounding tissue, and defines a signature of tumor which could be used to differentiate tumors from normal tissues. Experimental evaluation of our method on a cohort of colorectal cancer surgery endoscopic videos suggests that the proposed tumor signature is able to successfully discriminate between healthy, cancerous and benign tissue with 95% accuracy.
• Abstract（参考訳）: 悪性組織と良性組織との術中鑑別は,蛍光ガイド下癌手術において大きな課題である。 多眼内視鏡映像を用いて術中正常組織と良性腫瘍および悪性腫瘍の鑑別に使用できる動的灌流パターンの微妙な差異をコンピュータ支援で解釈する灌流定量法を提案する。 この方法は、癌血管新生による血管新生が周囲の組織と異なる灌流パターンをもたらすという事実を利用しており、正常な組織と腫瘍を区別するために用いられる腫瘍の徴候を定義する。 大腸癌手術内視鏡ビデオのコホートを用いた方法の実験的評価から,提案する腫瘍マーカーは95%の精度で健康組織,癌組織,良性組織を判別できる可能性が示唆された。

関連論文リスト

• Towards Generalizable Tumor Synthesis [48.45704270448412]
  腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。 本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。 私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
  論文  参考訳（メタデータ） (2024-02-29T18:57:39Z)
• Spatio-spectral classification of hyperspectral images for brain cancer detection during surgical operations [0.0]
  脳腫瘍の手術は神経外科において大きな問題である。 手術中の腫瘍境界の同定は困難である。 本研究では,ハイパースペクトル画像の空間特性とスペクトル特性を考慮した新しい分類法の開発について述べる。
  論文  参考訳（メタデータ） (2024-02-11T12:58:42Z)
• Seeing Beyond Cancer: Multi-Institutional Validation of Object Localization and 3D Semantic Segmentation using Deep Learning for Breast MRI [0.0]
  そこで本研究では, 乳房内の各組織タイプを正確に分類するために, 組織-組織間相互作用を利用する手法を提案する。 複数の腫瘍周囲組織を統合することで,乳癌のステージング,予後,手術計画に臨床応用が期待できる。
  論文  参考訳（メタデータ） (2023-11-27T18:22:07Z)
• Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction [0.5806504980491878]
  今後,腫瘍マスクを生成できる新しいエンドツーエンドネットワークと,腫瘍が今後どのように見えるかの現実的なMRIを提示する。 我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2023-09-11T12:12:52Z)
• Robust Tumor Detection from Coarse Annotations via Multi-Magnification Ensembles [11.070094685209598]
  乳癌患者のセンチネルリンパ節のオープンなCAMELYON16データセットにおいて,転移の検出精度を大幅に向上する新しいアンサンブル法を提案する。 臨床的に癌診断に有用であることを示すため,本法により良好な結果が得られた。
  論文  参考訳（メタデータ） (2023-03-29T08:41:22Z)
• 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)
• 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)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。