論文の概要: Deep Learning Methods for Lung Cancer Segmentation in Whole-slide Histopathology Images -- the ACDC@LungHP Challenge 2019

• arxiv url: http://arxiv.org/abs/2008.09352v1
• Date: Fri, 21 Aug 2020 07:52:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 22:13:31.663128
• Title: Deep Learning Methods for Lung Cancer Segmentation in Whole-slide Histopathology Images -- the ACDC@LungHP Challenge 2019
• Title（参考訳）: acdc@lunghp challenge 2019における肺がんの病理組織像のディープラーニングによる分節化
• Authors: Zhang Li, Jiehua Zhang, Tao Tan, Xichao Teng, Xiaoliang Sun, Yang Li, Lihong Liu, Yang Xiao, Byungjae Lee, Yilong Li, Qianni Zhang, Shujiao Sun, Yushan Zheng, Junyu Yan, Ni Li, Yiyu Hong, Junsu Ko, Hyun Jung, Yanling Liu, Yu-cheng Chen, Ching-wei Wang, Vladimir Yurovskiy, Pavel Maevskikh, Vahid Khanagha, Yi Jiang, Xiangjun Feng, Zhihong Liu, Daiqiang Li, Peter J. Sch\"uffler, Qifeng Yu, Hui Chen, Yuling Tang, Geert Litjens
• Abstract要約: ACDC@LungHPチャレンジは、全スライド画像(WSI)におけるがん組織のセグメンテーション(ピクセルワイズ検出)に焦点を当てている 本稿では,この課題を概説し,肺がんセグメンテーションの方法のトップ10を要約する。 深層学習に基づく手法は、WSIにおける肺がんのさらなる分析のために、病理学者が不審な領域を見つけるのに役立つ可能性がある。
• 参考スコア（独自算出の注目度）: 21.633644093719624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of lung cancer in pathology slides is a critical step in improving patient care. We proposed the ACDC@LungHP (Automatic Cancer Detection and Classification in Whole-slide Lung Histopathology) challenge for evaluating different computer-aided diagnosis (CADs) methods on the automatic diagnosis of lung cancer. The ACDC@LungHP 2019 focused on segmentation (pixel-wise detection) of cancer tissue in whole slide imaging (WSI), using an annotated dataset of 150 training images and 50 test images from 200 patients. This paper reviews this challenge and summarizes the top 10 submitted methods for lung cancer segmentation. All methods were evaluated using the false positive rate, false negative rate, and DICE coefficient (DC). The DC ranged from 0.7354$\pm$0.1149 to 0.8372$\pm$0.0858. The DC of the best method was close to the inter-observer agreement (0.8398$\pm$0.0890). All methods were based on deep learning and categorized into two groups: multi-model method and single model method. In general, multi-model methods were significantly better ($\textit{p}$<$0.01$) than single model methods, with mean DC of 0.7966 and 0.7544, respectively. Deep learning based methods could potentially help pathologists find suspicious regions for further analysis of lung cancer in WSI.
• Abstract（参考訳）: 病理スライドにおける肺癌の正確な分節化は,患者のケアを改善する上で重要なステップである。 肺がんの自動診断のためのcads(computer-assisted diagnosis)法を評価するために, acdc@lunghp (automatic cancer detection and classification in whole-slide lung histopathology)チャレンジを提案した。 ACDC@LungHP 2019は、200人の患者の150のトレーニング画像と50のテスト画像の注釈付きデータセットを使用して、スライド画像全体(WSI)におけるがん組織のセグメンテーション(ピクセルワイズ検出)に焦点を当てた。 本稿では,この課題を概説し,肺がんセグメンテーションの方法のトップ10を要約する。 いずれの手法も偽陽性率,偽陰性率,DICE係数(DC)を用いて評価した。 DCは 0.7354$\pm$0.1149 から 0.8372$\pm$0.0858 までであった。 最善の方法のdcはオブザーバ間の合意に近い(0.8398$\pm$0.0890)。 全ての手法は深層学習に基づいており、マルチモデル法と単一モデル法という2つのグループに分類された。 一般に、マルチモデルメソッドは単一モデルメソッドよりもかなり優れた(\textit{p}$<$0.01$)が、それぞれ0.7966と0.7544である。 深層学習に基づく手法は、wsiの肺癌のさらなる分析のために、病理学者が疑わしい領域を見つけるのに役立つ可能性がある。

関連論文リスト

• Detection-Guided Deep Learning-Based Model with Spatial Regularization for Lung Nodule Segmentation [2.4044422838107438]
  肺がんはがんの診断の主要な原因の1つであり、世界中でがん関連死亡の原因となっている。 肺結節の分節は、悪性病変と良性病変の区別において、医師を支援する上で重要な役割を担っている。 本稿では,CT画像における肺結節のセグメンテーションモデルを導入し,セグメンテーションと分類プロセスを統合する深層学習フレームワークを活用する。
  論文  参考訳（メタデータ） (2024-10-26T11:58:12Z)
• Optimizing Lung Cancer Detection in CT Imaging: A Wavelet Multi-Layer Perceptron (WMLP) Approach Enhanced by Dragonfly Algorithm (DA) [0.294944680995069]
  本研究では,CTスキャン画像から肺がんを分類するための最先端のディープラーニングフレームワークを提案する。 この研究には、画像前処理戦略、特にCannyエッジ検出とウェーブレット変換が含まれる。 この手法は99.82%の優れた訓練と検査精度を達成し、肺癌の正確な診断の有効性と信頼性を裏付けている。
  論文  参考訳（メタデータ） (2024-08-27T18:27:47Z)
• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Double Integral Enhanced Zeroing Neural Network Optimized with ALSOA fostered Lung Cancer Classification using CT Images [1.1510009152620668]
  肺がんは最も致命的な疾患の1つであり、疾患や死亡の原因となっている。 提案手法は既存の手法で解析した18.32%,27.20%,34.32%の精度で得られた。
  論文  参考訳（メタデータ） (2023-12-05T10:53:35Z)
• 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)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Lung-Originated Tumor Segmentation from Computed Tomography Scan (LOTUS) Benchmark [48.30502612686276]
  肺癌は最も致命的ながんの1つであり、その効果的な診断と治療は腫瘍の正確な悪性度に依存している。 現在最も一般的なアプローチであるHuman-centered segmentationは、サーバ間変動の対象となる。 2018年のVIPカップは、42か国から競争データにアクセスするための世界的な参加から始まった。 簡単に言えば、競争中に提案されたアルゴリズムはすべて、偽陽性還元手法と組み合わせたディープラーニングモデルに基づいている。
  論文  参考訳（メタデータ） (2022-01-03T03:06:38Z)
• Comparative study of deep learning methods for the automatic segmentation of lung, lesion and lesion type in CT scans of COVID-19 patients [6.890747388531539]
  新型コロナウイルスの迅速かつ正確な定量化にディープラーニングを使うことを提案する研究が増えている。 主な課題は、新型コロナウイルス(COVID-19)感染者の胸部CT検査における肺と肺の病変の自動分離である。 オープンソースと社内開発の両方のアルゴリズムを含む,マルチセンタデータセットを用いた12のディープラーニングアルゴリズムを比較した。
  論文  参考訳（メタデータ） (2020-07-29T10:40:39Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。