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
- 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) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - 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) - A Pragmatic Machine Learning Approach to Quantify Tumor Infiltrating
Lymphocytes in Whole Slide Images [0.0]
がん組織における腫瘍浸潤リンパ球(TIL)の上昇は、多くの種類のがんにおいて好ましい結果を示す。
本研究の目的は,肺がん患者の標準診断ヘマトキシリンおよびエオシン染色部(H&Eスライス)の全スライド画像(WSI)中のTILを自動的に定量化することである。
論文 参考訳(メタデータ) (2022-02-14T10:22:10Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Segmentation of Lung Tumor from CT Images using Deep Supervision [0.8733639720576208]
肺がんは世界中のほとんどの国で死因となっている。
本稿では,LOTUSデータセットに2次元離散ウェーブレット変換(DWT)を適用し,肺腫瘍のセグメンテーションにアプローチする。
論文 参考訳(メタデータ) (2021-11-17T17:50:18Z) - 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) - Multiple resolution residual network for automatic thoracic
organs-at-risk segmentation from CT [2.9023633922848586]
我々は,CT画像からのOAR分割のためのMRRN(Multiple resolution residual Network)の実装と評価を行った。
提案手法は,複数画像解像度で計算された特徴ストリームと残差接続による特徴レベルを同時に組み合わせる。
左肺, 心臓, 食道, 脊髄を分画する検査を35回行った肺がん患者206例の胸部CT検査を用いて, アプローチを訓練した。
論文 参考訳(メタデータ) (2020-05-27T22:39:09Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳(メタデータ) (2020-05-08T03:16:15Z) - 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。