論文の概要: Deep Interactive Learning: An Efficient Labeling Approach for Deep
Learning-Based Osteosarcoma Treatment Response Assessment
- arxiv url: http://arxiv.org/abs/2007.01383v1
- Date: Thu, 2 Jul 2020 20:46:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 15:04:24.992057
- Title: Deep Interactive Learning: An Efficient Labeling Approach for Deep
Learning-Based Osteosarcoma Treatment Response Assessment
- Title（参考訳）: deep interactive learning: 深層学習に基づく骨肉腫治療反応評価のための効率的なラベリングアプローチ
- Authors: David Joon Ho, Narasimhan P. Agaram, Peter J. Schueffler, Chad M.
Vanderbilt, Marc-Henri Jean, Meera R. Hameed, Thomas J. Fuchs
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、骨肉腫スライド画像上の生存可能な腫瘍と壊死性腫瘍の自動分割に使用できる。
教師あり学習のボトルネックの1つは、トレーニングに大量の正確なアノテーションが必要であることである。
本稿では,ディープ・インタラクティブ・ラーニング(DIaL)をCNNの学習における効果的なラベリング手法として記述する。
- 参考スコア（独自算出の注目度）: 1.5551044212347103
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Osteosarcoma is the most common malignant primary bone tumor. Standard
treatment includes pre-operative chemotherapy followed by surgical resection.
The response to treatment as measured by ratio of necrotic tumor area to
overall tumor area is a known prognostic factor for overall survival. This
assessment is currently done manually by pathologists by looking at glass
slides under the microscope which may not be reproducible due to its subjective
nature. Convolutional neural networks (CNNs) can be used for automated
segmentation of viable and necrotic tumor on osteosarcoma whole slide images.
One bottleneck for supervised learning is that large amounts of accurate
annotations are required for training which is a time-consuming and expensive
process. In this paper, we describe Deep Interactive Learning (DIaL) as an
efficient labeling approach for training CNNs. After an initial labeling step
is done, annotators only need to correct mislabeled regions from previous
segmentation predictions to improve the CNN model until the satisfactory
predictions are achieved. Our experiments show that our CNN model trained by
only 7 hours of annotation using DIaL can successfully estimate ratios of
necrosis within expected inter-observer variation rate for non-standardized
manual surgical pathology task.
- Abstract（参考訳）: 骨肉腫は最も一般的な悪性原発性骨腫瘍である。
標準治療は術前化学療法と外科的切除を含む。
腫瘍面積に対する壊死性腫瘍面積の比率による治療に対する反応は、全身生存の予後因子として知られている。
この評価は現在、顕微鏡の下でガラスのスライドを観察することで、その主観的な性質のために再現できない可能性がある。
畳み込みニューラルネットワーク(cnns)は、骨肉腫全体の画像上の生存性腫瘍と壊死性腫瘍の自動分割に使用できる。
教師あり学習のボトルネックの1つは、時間とコストのかかるプロセスであるトレーニングに大量の正確なアノテーションが必要とされることである。
本稿では,cnnを学習するための効率的なラベリング手法として,dial(deep interactive learning)について述べる。
最初のラベリングステップが完了すると、アノテータは、十分な予測が達成されるまでcnnモデルを改善するために、以前のセグメンテーション予測から誤ってラベルされた領域を修正するだけでよい。
以上の結果より,DIaLを用いた7時間アノテーションでトレーニングしたCNNモデルでは,非標準化手技の術式変化率の予測値内の壊死率を推定することができた。
関連論文リスト
- Learning-based Bone Quality Classification Method for Spinal Metastasis [36.59899006688448]
脊椎転移の早期発見は、正確なステージングと最適な治療に重要である。
本稿では,CT画像に基づく脊椎転移の骨質自動分類法について検討する。
論文 参考訳（メタデータ） (2024-02-14T02:53:51Z) - Segmentation of glioblastomas in early post-operative multi-modal MRI
with deep neural networks [33.51490233427579]
手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。
最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。
予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
論文 参考訳（メタデータ） (2023-04-18T10:14:45Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳（メタデータ） (2023-03-02T15:18:58Z) - Deep Learning-Based Objective and Reproducible Osteosarcoma Chemotherapy
Response Assessment and Outcome Prediction [1.3503958132156484]
本稿では,スキャンしたヘマトキシリンとエオシンの全スライド画像から得られる壊死率を推定する深層学習に基づくアプローチを提案する。
深層学習モデルの訓練,壊死率の評価,結果予測のために,3134 WSIの骨肉腫103例を収集した。
本研究は, 病理組織から骨肉腫を解析し, 治療効果を評価し, 患者の予後を予測する客観的ツールとして, 深層学習が有用であることが示唆された。
論文 参考訳（メタデータ） (2022-08-09T17:12:27Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - 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) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Brain Tumor Detection and Classification based on Hybrid Ensemble
Classifier [0.6091702876917281]
本稿では,ランダムフォレスト(RF)とK-ニアレストネイバー(K-Nearest Neighbour)と決定木(DT)を用いたハイブリッドアンサンブル法を提案する。
腫瘍領域の面積を計算し、脳腫瘍を良性および悪性に分類することを目的としている。
提案手法は,トレーニングとテストにそれぞれ85:15で使用される2556画像のデータセット上でテストを行い,97.305%の精度を示す。
論文 参考訳（メタデータ） (2021-01-01T11:52:29Z) - A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。
CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。
CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文 参考訳（メタデータ） (2020-11-02T18:16:17Z) - 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)
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。