論文の概要: A completely annotated whole slide image dataset of canine breast cancer to aid human breast cancer research

• arxiv url: http://arxiv.org/abs/2008.10244v2
• Date: Fri, 27 Nov 2020 11:49:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 09:07:05.705743
• Title: A completely annotated whole slide image dataset of canine breast cancer to aid human breast cancer research
• Title（参考訳）: ヒト乳癌研究を支援する犬乳癌の完全な注釈付き全画像データセット
• Authors: Marc Aubreville, Christof A. Bertram, Taryn A. Donovan, Christian Marzahl, Andreas Maier, and Robert Klopfleisch
• Abstract要約: ヒト乳癌の現在のデータセットは、スライド画像全体(WSI)の小さなサブセットに対してのみアノテーションを提供する。 MF に完全付加した CMC の 21 WSI の新たなデータセットを提案する。 我々は機械学習を用いて、未検出のMFを同定した。
• 参考スコア（独自算出の注目度）: 6.960375869417005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Canine mammary carcinoma (CMC) has been used as a model to investigate the pathogenesis of human breast cancer and the same grading scheme is commonly used to assess tumor malignancy in both. One key component of this grading scheme is the density of mitotic figures (MF). Current publicly available datasets on human breast cancer only provide annotations for small subsets of whole slide images (WSIs). We present a novel dataset of 21 WSIs of CMC completely annotated for MF. For this, a pathologist screened all WSIs for potential MF and structures with a similar appearance. A second expert blindly assigned labels, and for non-matching labels, a third expert assigned the final labels. Additionally, we used machine learning to identify previously undetected MF. Finally, we performed representation learning and two-dimensional projection to further increase the consistency of the annotations. Our dataset consists of 13,907 MF and 36,379 hard negatives. We achieved a mean F1-score of 0.791 on the test set and of up to 0.696 on a human breast cancer dataset.
• Abstract（参考訳）: 犬乳腺癌(CMC)はヒト乳癌の病理発生のモデルとして用いられており,腫瘍悪性度の評価には同様の段階が一般的である。 この階調スキームの重要な構成要素は、ミトティックフィギュア(MF)の密度である。 現在公開されているヒト乳癌のデータセットは、スライド画像全体の小さなサブセット(WSI)に対してのみアノテーションを提供する。 MFに完全アノテートされたCMCの21 WSIのデータセットを提案する。 このために、病理学者は、潜在的なMFと似た外観の構造物の全てのWSIをスクリーニングした。 第2の専門家はブラインドにラベルを割り当て、第3の専門家は最終ラベルを割り当てた。 さらに,機械学習を用いて未検出のmfを同定した。 最後に,アノテーションの一貫性を高めるために,表現学習と二次元投影を行った。 我々のデータセットは 13,907 mf と 36,379 hard negative からなる。 テストセットでは平均0.791score,ヒト乳癌データセットでは0.696scoreであった。

関連論文リスト

• OMG-Net: A Deep Learning Framework Deploying Segment Anything to Detect Pan-Cancer Mitotic Figures from Haematoxylin and Eosin-Stained Slides [27.84599956781646]
  本研究では,デジタル化された全スライド画像(WSI)におけるMFを検出する人工知能(AI)アプローチを提案する。 ここでは、社内の軟部組織腫瘍データセット(STMF)と、IPAC、TUPAC、CCMCT、CMC、MIDOG++の5つのオープンソースの有糸分裂データセットを組み合わせることで、最大の有糸分裂像のパン・カンサデータセットを確立する。 次に、2段階のフレームワーク(Optimized Mitoses Generator Network (OMG-Net))を用いてMFを分類した。
  論文  参考訳（メタデータ） (2024-07-17T17:53:37Z)
• 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)
• Improved Breast Cancer Diagnosis through Transfer Learning on Hematoxylin and Eosin Stained Histology Images [3.7498611358320733]
  本研究では,最新のBRACS染色画像を用いて乳癌腫瘍の分類を行った。 我々は、Xception、EfficientNet、ResNet50、InceptionResNetといった、ImageNet重みに基づいて事前訓練された様々なディープラーニングモデルを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-09-15T20:16:17Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• MLC at HECKTOR 2022: The Effect and Importance of Training Data when Analyzing Cases of Head and Neck Tumors using Machine Learning [0.9166327220922845]
  本稿では,MICCAI 2022で行われたHECKTOR大挑戦の2022年版に対して,チームMLCが行った成果について述べる。 ポジトロン・エミッション・トモグラフィ(PET)とCT(CT)画像の解析は予後を診断するために提案されている。
  論文  参考訳（メタデータ） (2022-11-30T09:04:27Z)
• High-resolution synthesis of high-density breast mammograms: Application to improved fairness in deep learning based mass detection [48.88813637974911]
  深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。 高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。 本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
  論文  参考訳（メタデータ） (2022-09-20T15:57:12Z)
• 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)
• Breast Cancer Diagnosis in Two-View Mammography Using End-to-End Trained EfficientNet-Based Convolutional Network [0.0]
  深層畳み込みニューラルネットワークは、ヒトの専門家と同等またはそれ以上の性能の乳がんをマンモグラムで診断する。 本稿では,2つの転帰学習から成る最良技術について紹介する。
  論文  参考訳（メタデータ） (2021-10-01T22:09:59Z)
• Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
  AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。 一般的に使用されるものよりも頑丈である。 大規模な最適化の観点からも同じ利点を享受しながら、正方損失。 私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-12-06T03:41:51Z)
• Synthesizing lesions using contextual GANs improves breast cancer classification on mammograms [0.4297070083645048]
  本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。 自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
  論文  参考訳（メタデータ） (2020-05-29T21:23:00Z)

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。