論文の概要: Semantic Segmentation of Histopathological Slides for the Classification
of Cutaneous Lymphoma and Eczema
- arxiv url: http://arxiv.org/abs/2009.05403v1
- Date: Thu, 10 Sep 2020 13:49:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 04:11:18.887098
- Title: Semantic Segmentation of Histopathological Slides for the Classification
of Cutaneous Lymphoma and Eczema
- Title(参考訳): 皮膚リンパ腫と食道腫の分類における病理組織学的所見のセマンティックセグメンテーション
- Authors: J\'er\'emy Scheurer, Claudio Ferrari, Luis Berenguer Todo Bom,
Michaela Beer, Werner Kempf, Luis Haug
- Abstract要約: 真菌症(Mycosis fungoides, MF)は、皮膚疾患を発症する稀な疾患である。
病理医の意思決定プロセスに2倍の価値をもたらす深層学習支援診断ツールを導入する。
- 参考スコア(独自算出の注目度): 4.4154284772781525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mycosis fungoides (MF) is a rare, potentially life threatening skin disease,
which in early stages clinically and histologically strongly resembles Eczema,
a very common and benign skin condition. In order to increase the survival
rate, one needs to provide the appropriate treatment early on. To this end, one
crucial step for specialists is the evaluation of histopathological slides
(glass slides), or Whole Slide Images (WSI), of the patients' skin tissue. We
introduce a deep learning aided diagnostics tool that brings a two-fold value
to the decision process of pathologists. First, our algorithm accurately
segments WSI into regions that are relevant for an accurate diagnosis,
achieving a Mean-IoU of 69% and a Matthews Correlation score of 83% on a novel
dataset. Additionally, we also show that our model is competitive with the
state of the art on a reference dataset. Second, using the segmentation map and
the original image, we are able to predict if a patient has MF or Eczema. We
created two models that can be applied in different stages of the diagnostic
pipeline, potentially eliminating life-threatening mistakes. The classification
outcome is considerably more interpretable than using only the WSI as the
input, since it is also based on the segmentation map. Our segmentation model,
which we call EU-Net, extends a classical U-Net with an EfficientNet-B7 encoder
which was pre-trained on the Imagenet dataset.
- Abstract(参考訳): 真菌症性真菌症(mycosis fungoides, mf)は稀に生命を脅かす恐れのある皮膚疾患であり、初期および組織学的には非常に一般的な皮膚疾患であるeczemaによく似ている。
生存率を高めるためには、早期に適切な治療を行う必要がある。
この目的のために、専門家にとって重要なステップは、患者の皮膚組織の病理組織スライド(ガラススライド)または全スライド画像(wsi)の評価である。
我々は,病理医の意思決定プロセスに2倍の価値をもたらす深層学習支援診断ツールを提案する。
まず,本アルゴリズムは,WSIを正確な診断に関連のある領域に正確に分割し,平均IoUが69%,マシューズ相関スコアが83%となる。
さらに、我々のモデルは参照データセット上の最先端技術と競合していることも示しています。
第2に、セグメンテーションマップと原画像を用いて、患者がMFまたはEczemaを持っているかどうかを予測することができる。
診断パイプラインのさまざまな段階に適用可能な2つのモデルを作成しました。
分類の結果は、セグメンテーションマップにも基づいているため、入力としてwsiのみを使用するよりもかなり解釈可能である。
我々のセグメンテーションモデルはEU-Netと呼ばれ、Imagenetデータセットで事前トレーニングされたEfficientNet-B7エンコーダで古典的なU-Netを拡張しています。
関連論文リスト
- Automated Detection of Myopic Maculopathy in MMAC 2023: Achievements in
Classification, Segmentation, and Spherical Equivalent Prediction [6.993091116816899]
筋萎縮性黄斑変性は、病理性近視症患者の視力喪失の主要な原因である。
早期発見と即時治療は、筋萎縮性黄斑症による視力障害の予防に不可欠である。
これがMMAC(Myopic Maculopathy Analysis Challenge)の焦点であった。
論文 参考訳(メタデータ) (2024-01-08T00:26:21Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - LCAUnet: A skin lesion segmentation network with enhanced edge and body
fusion [4.819821513256158]
LCAUnetは、エッジとボディの特徴の融合による相補表現の能力を向上させるために提案されている。
公開データセットISIC 2017、ISIC 2018、PH2の実験では、LCAUnetが最先端の手法よりも優れていることが示されている。
論文 参考訳(メタデータ) (2023-05-01T14:05:53Z) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳(メタデータ) (2023-04-26T14:11:04Z) - Dual Attention Model with Reinforcement Learning for Classification of Histology Whole-Slide Images [8.404881822414898]
デジタル全スライド画像(WSI)は一般に顕微鏡分解能で撮影され、広い空間データを包含する。
本稿では,病理医の視覚検査に触発された2つの主成分からなる新しい二重注意アプローチを提案する。
提案手法は,WSIの10%未満を高い倍率で処理しながら,最先端の手法に匹敵する性能を実現する。
論文 参考訳(メタデータ) (2023-02-19T22:26:25Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - 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) - Deeply supervised UNet for semantic segmentation to assist
dermatopathological assessment of Basal Cell Carcinoma (BCC) [2.031570465477242]
unetアーキテクチャに基づく複数のモデルを用いた意味セグメンテーションによる基底細胞癌(bcc)の検出に焦点を当てた。
unetネットワークの最初の2つの異なるエンコーダと2つの追加のトレーニング戦略を分析した。
最高のモデルは、テストセット上の96%、精度、感度、および特異性を達成します。
論文 参考訳(メタデータ) (2021-03-05T15:39:55Z) - Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and
Deep Residual Units [18.908448254745473]
メラノーマの皮膚病変のセグメント化の精度は、トレーニング、不規則な形状、不明瞭な境界、および異なる皮膚色のためのデータが少ないため、かなり困難な作業です。
提案手法は皮膚病変分節の精度を向上させるのに役立つ。
以上の結果から,提案モデルが既存の皮膚病変の分画法と同等以上の性能を示した。
論文 参考訳(メタデータ) (2020-12-28T14:43:04Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳(メタデータ) (2020-08-19T06:02:46Z)
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。