論文の概要: Computational analysis of pathological image enables interpretable
prediction for microsatellite instability
- arxiv url: http://arxiv.org/abs/2010.03130v1
- Date: Wed, 7 Oct 2020 03:05:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 22:28:12.545895
- Title: Computational analysis of pathological image enables interpretable
prediction for microsatellite instability
- Title(参考訳): 病理画像の計算解析によるマイクロサテライト不安定性の予測
- Authors: Jin Zhu, Wangwei Wu, Yuting Zhang, Shiyun Lin, Yukang Jiang, Ruixian
Liu, Xueqin Wang
- Abstract要約: マイクロサテライト不安定症 (MSI) はいくつかの腫瘍タイプに関連付けられ, 患者治療決定の導出においてその地位はますます重要になっている。
本研究は,医療専門家が自動的にMSIを識別するのを支援するために,病的画像解析戦略を確立するものである。
これらの戦略は、ユビキタスなヘマトキシリンと、エオシンを染色した全スライド画像しか必要とせず、The Cancer Genome Atlasから収集された3つのコホートで十分な性能を発揮する。
- 参考スコア(独自算出の注目度): 5.774965366076466
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Microsatellite instability (MSI) is associated with several tumor types and
its status has become increasingly vital in guiding patient treatment
decisions. However, in clinical practice, distinguishing MSI from its
counterpart is challenging since the diagnosis of MSI requires additional
genetic or immunohistochemical tests. In this study, interpretable pathological
image analysis strategies are established to help medical experts to
automatically identify MSI. The strategies only require ubiquitous Haematoxylin
and eosin-stained whole-slide images and can achieve decent performance in the
three cohorts collected from The Cancer Genome Atlas. The strategies provide
interpretability in two aspects. On the one hand, the image-level
interpretability is achieved by generating localization heat maps of important
regions based on the deep learning network; on the other hand, the
feature-level interpretability is attained through feature importance and
pathological feature interaction analysis. More interestingly, both from the
image-level and feature-level interpretability, color features and texture
characteristics are shown to contribute the most to the MSI predictions.
Therefore, the classification models under the proposed strategies can not only
serve as an efficient tool for predicting the MSI status of patients, but also
provide more insights to pathologists with clinical understanding.
- Abstract(参考訳): マイクロサテライト不安定症 (MSI) はいくつかの腫瘍タイプに関連付けられ, 患者治療決定の導出においてその地位はますます重要になっている。
しかし,msiの診断には遺伝子検査や免疫組織化学的検査が必要であるため,msiとmsiの鑑別は困難である。
本研究は,医療専門家が自動的にMSIを識別するのを支援するために,病的画像解析戦略を確立するものである。
この戦略はユビキタス・ヘマトキシリンとエオシンで維持された全スライド画像のみを必要とし、がんゲノムアトラスから収集された3つのコホートにおいて良好な性能を達成することができる。
戦略は2つの側面で解釈可能である。
一方、深層学習ネットワークに基づいて重要領域の局所的熱マップを生成することにより、画像レベルの解釈可能性を達成し、一方、特徴量および病理学的特徴間相互作用解析により特徴レベルの解釈性を達成する。
さらに興味深いのは、画像レベルと特徴レベルの両方の解釈性から、色の特徴とテクスチャ特性がMSI予測に最も寄与していることである。
したがって,提案手法に基づく分類モデルは,患者のmsi状態を予測するための効率的なツールとして機能するだけでなく,臨床理解を持つ病理学者にさらなる洞察を与えることができる。
関連論文リスト
- A self-supervised framework for learning whole slide representations [55.121381765372334]
全体スライド画像(WSI)は、そのサイズによって複雑なコンピュータビジョンの課題を示す。
自己教師付き表現学習は、下流診断タスクにおける高品質なWSI視覚特徴学習を実現することができる。
ギガピクセル規模のWSIの自己監督のための汎用的な自己教師型全スライド学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-09T05:05:28Z) - Unleashing the Infinity Power of Geometry: A Novel Geometry-Aware
Transformer (GOAT) for Whole Slide Histopathology Image Analysis [0.27309692684728615]
病理組織学的解析は癌の診断と予後に極めて重要である。
近年の手法はスライド画像全体の幾何学的表現を適切に活用していない。
我々は、新しい弱い教師付きフレームワーク、Geometry-Aware Transformer (GOAT)を提案する。
論文 参考訳(メタデータ) (2024-02-08T03:06:38Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳(メタデータ) (2023-10-16T13:58:53Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳(メタデータ) (2023-07-10T01:26:48Z) - Detecting Histologic & Clinical Glioblastoma Patterns of Prognostic
Relevance [6.281092892485014]
グリオ芽腫は中枢神経系で最も一般的で攻撃的な悪性成人腫瘍である。
18年前に現在の標準治療を採用して以降,実質的な予後改善は認められていない。
ここでは,H&E染色WSIとOSに関する臨床データから,予後関連特性の同定に焦点をあてる。
論文 参考訳(メタデータ) (2023-02-01T18:56:09Z) - Hierarchical Transformer for Survival Prediction Using Multimodality
Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。
本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。
より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文 参考訳(メタデータ) (2022-11-29T23:47:56Z) - Deep Learning-Based Sparse Whole-Slide Image Analysis for the Diagnosis
of Gastric Intestinal Metaplasia [5.64692772904991]
本稿では,WSIレベル分類のための高出力ROIの迅速同定のためのスパースWSI解析手法を提案する。
本手法は胃粘膜異形成(GIM)をヘマトキシリンおよびエオシンスライド上で診断し,病理組織学的に有用であるが時間を要する課題について検討した。
提案手法は, 受信機動作特性曲線(AUC)が0.98, 平均精度(AP)が0.95のWSIレベルの分類領域を持つ全正のWSIにおいて, GIMの検出に成功している。
論文 参考訳(メタデータ) (2022-01-05T04:43:46Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳(メタデータ) (2021-07-20T07:04:52Z) - Multi-task Graph Convolutional Neural Network for Calcification
Morphology and Distribution Analysis in Mammograms [4.731981307843478]
クラスター内の微細石灰化の形態と分布は、放射線学者が乳癌を診断するための最も重要な特徴です。
マンモグラムにおける微細石灰化の形状と分布を自動解析するためのマルチタスクディープグラフ畳み込みネットワーク (GCN) を提案する。
論文 参考訳(メタデータ) (2021-05-14T13:32:47Z) - Multiple Sclerosis Lesion Analysis in Brain Magnetic Resonance Images:
Techniques and Clinical Applications [22.410543483471915]
多発性硬化症(MS)は、中枢神経系の慢性炎症性および変性疾患である。
伝統的に、MS病変は手動で2DMRIスライスに注釈付けされている。
深層学習技術は,ms病変分割タスクにおいて著しいブレークスルーを達成した。
論文 参考訳(メタデータ) (2021-04-20T15:08:51Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳(メタデータ) (2020-10-07T08:36:44Z)
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。