論文の概要: Glioma Classification Using Multimodal Radiology and Histology Data
- arxiv url: http://arxiv.org/abs/2011.05410v1
- Date: Tue, 10 Nov 2020 21:38:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 07:13:47.664929
- Title: Glioma Classification Using Multimodal Radiology and Histology Data
- Title（参考訳）: マルチモーダルラジオグラフィーと組織データを用いたグリオーマ分類
- Authors: Azam Hamidinekoo, Tomasz Pieciak, Maryam Afzali, Otar Akanyeti, Yinyin
Yuan
- Abstract要約: グリオーマを,オリゴデンドログリオーマ,アストロサイトーマ,グリオ芽腫の3つのサブタイプに分類するパイプラインを提案する。
分類アルゴリズムは, CPM-RadPath 2020 チャレンジで提供されるデータセットを用いて評価した。
- 参考スコア（独自算出の注目度）: 0.41883694872353855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gliomas are brain tumours with a high mortality rate. There are various
grades and sub-types of this tumour, and the treatment procedure varies
accordingly. Clinicians and oncologists diagnose and categorise these tumours
based on visual inspection of radiology and histology data. However, this
process can be time-consuming and subjective. The computer-assisted methods can
help clinicians to make better and faster decisions. In this paper, we propose
a pipeline for automatic classification of gliomas into three sub-types:
oligodendroglioma, astrocytoma, and glioblastoma, using both radiology and
histopathology images. The proposed approach implements distinct classification
models for radiographic and histologic modalities and combines them through an
ensemble method. The classification algorithm initially carries out tile-level
(for histology) and slice-level (for radiology) classification via a deep
learning method, then tile/slice-level latent features are combined for a
whole-slide and whole-volume sub-type prediction. The classification algorithm
was evaluated using the data set provided in the CPM-RadPath 2020 challenge.
The proposed pipeline achieved the F1-Score of 0.886, Cohen's Kappa score of
0.811 and Balance accuracy of 0.860. The ability of the proposed model for
end-to-end learning of diverse features enables it to give a comparable
prediction of glioma tumour sub-types.
- Abstract（参考訳）: グリオーマは、高い死亡率の脳腫瘍である。
この腫瘍には様々な分類とサブタイプがあり、治療手順は様々である。
臨床医や腫瘍医は、放射線と組織データの視覚的検査に基づいてこれらの腫瘍を診断し分類する。
しかし、このプロセスは時間がかかり、主観的になりうる。
このコンピュータ支援手法は、臨床医がより良く、より迅速に意思決定するのに役立つ。
本稿では,放射線画像と病理画像の両方を用いて,グリオーマを自動的に3つのサブタイプ(オリゴデンドログリオーマ,アストロサイトーマ,グリオブラストマ)に分類するパイプラインを提案する。
提案手法は,放射線学と組織学の異なる分類モデルを実装し,それらをアンサンブル法で組み合わせる。
分類アルゴリズムは、まず、深層学習法を用いてタイルレベル(組織学)とスライスレベル(放射線学)の分類を行い、その後、タイル/スライスレベル潜在特徴を、全スライディングおよび全ボリュームサブタイプ予測に組み合わせる。
分類アルゴリズムは, CPM-RadPath 2020 チャレンジで提供されるデータセットを用いて評価した。
提案されたパイプラインはF1スコア0.886、カッパスコア0.811、バランス精度0.860を達成した。
多様な特徴のエンド・ツー・エンド学習のために提案されたモデルの能力は、グリオーマ腫瘍のサブタイプの予測に匹敵するものである。
関連論文リスト
- Unraveling Radiomics Complexity: Strategies for Optimal Simplicity in Predictive Modeling [4.1032659987778315]
放射線的特徴セットの高次元性、放射線的特徴タイプの変動性、そして潜在的に高い計算要求は、全て、与えられた臨床問題に対する最小の予測的特徴セットを特定する効果的な方法の必要性を浮き彫りにしている。
我々は,最小限の放射線学的特徴を識別し,説明するための方法論とツールを開発する。
論文 参考訳（メタデータ） (2024-07-05T23:14:46Z) - A Diagnostic Model for Acute Lymphoblastic Leukemia Using Metaheuristics and Deep Learning Methods [6.318593483920089]
急性リンパ性白血病(ALL)重症度は、爆発細胞の存在と比率によって決定される。
本稿では,ResNetをベースとした特徴抽出器を用いて,さまざまな特徴抽出器や分類器とともにALLを検出する。
この手法は90.71%の精度と95.76%の感度を達成し、このデータセットの指標は他よりも優れていた。
論文 参考訳（メタデータ） (2024-06-02T13:25:44Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Domain-specific transfer learning in the automated scoring of
tumor-stroma ratio from histopathological images of colorectal cancer [1.2264932946286657]
腫瘍-ストローマ比 (TSR) は多くの種類の固形腫瘍の予後因子である。
この方法は、大腸癌組織を分類するために訓練された畳み込みニューラルネットワークに基づいている。
論文 参考訳（メタデータ） (2022-12-30T12:27:27Z) - 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) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - An Interpretable Algorithm for Uveal Melanoma Subtyping from Whole Slide
Cytology Images [3.33281597371121]
細針吸引生検のデジタル画像を用いたぶどう膜黒色腫の自動診断システムについて述べる。
提案手法は,多数の代表スライドで定義される2次元多様体の点として,候補画像の自動区切りセルを埋め込む。
円歪した2次元多様体の分割に対して規則に基づくスライドレベル分類アルゴリズムを訓練する。
論文 参考訳（メタデータ） (2021-08-13T13:55:08Z) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - Brain Tumor Detection and Classification based on Hybrid Ensemble
Classifier [0.6091702876917281]
本稿では,ランダムフォレスト(RF)とK-ニアレストネイバー(K-Nearest Neighbour)と決定木(DT)を用いたハイブリッドアンサンブル法を提案する。
腫瘍領域の面積を計算し、脳腫瘍を良性および悪性に分類することを目的としている。
提案手法は,トレーニングとテストにそれぞれ85:15で使用される2556画像のデータセット上でテストを行い,97.305%の精度を示す。
論文 参考訳（メタデータ） (2021-01-01T11:52:29Z)
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。