Fugu-MT 論文翻訳(概要): Discovering Clinically Meaningful Shape Features for the Analysis of Tumor Pathology Images

論文の概要: Discovering Clinically Meaningful Shape Features for the Analysis of Tumor Pathology Images

arxiv url: http://arxiv.org/abs/2012.04878v1
Date: Wed, 9 Dec 2020 05:56:41 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 01:55:23.459844
Title: Discovering Clinically Meaningful Shape Features for the Analysis of Tumor Pathology Images
Title（参考訳）: 腫瘍画像解析のための臨床的意義のある形状特徴の発見
Authors: Esteban Fern\'andez Morales and Cong Zhang and Guanghua Xiao and Chul Moon and Qiwei Li
Abstract要約: 腫瘍組織スライドのデジタル画像化は、がん診断の日常的な臨床方法になりつつある。近年のディープラーニング手法の進歩により,病理画像中の腫瘍領域を大規模に検出し,特徴付けることが可能になった。
参考スコア（独自算出の注目度）: 2.864559331994679
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the advanced imaging technology, digital pathology imaging of tumor tissue slides is becoming a routine clinical procedure for cancer diagnosis. This process produces massive imaging data that capture histological details in high resolution. Recent developments in deep-learning methods have enabled us to automatically detect and characterize the tumor regions in pathology images at large scale. From each identified tumor region, we extracted 30 well-defined descriptors that quantify its shape, geometry, and topology. We demonstrated how those descriptor features were associated with patient survival outcome in lung adenocarcinoma patients from the National Lung Screening Trial (n=143). Besides, a descriptor-based prognostic model was developed and validated in an independent patient cohort from The Cancer Genome Atlas Program program (n=318). This study proposes new insights into the relationship between tumor shape, geometrical, and topological features and patient prognosis. We provide software in the form of R code on GitHub: https://github.com/estfernandez/Slide_Image_Segmentation_and_Extraction.
Abstract（参考訳）: 先端イメージング技術により,腫瘍組織スライドのデジタル病理イメージングは,癌診断のための日常的な臨床手順になりつつある。このプロセスは、高分解能で組織学的詳細をキャプチャする大規模なイメージングデータを生成する。近年のディープラーニング技術の進歩により,病理画像中の腫瘍領域を自動的に検出し,特徴付けることが可能になった。同定された腫瘍領域から,その形状,形状,トポロジーを定量化した30個の明瞭なディスクリプタを抽出した。全国肺スクリーニング試験 (n=143) の肺腺癌患者において, それらのディスクリプターの特徴が予後に与える影響を実証した。また、がんゲノムアトラスプログラム(n=318)から独立した患者に対して、ディスクリプタベースの予後予測モデルを開発し、検証した。本研究は,腫瘍の形状,幾何学的および位相的特徴と患者の予後との関係に関する新たな知見を提案する。 https://github.com/estfernandez/Slide_Image_Segmentation_and_Extraction。

関連論文リスト

HistoGym: A Reinforcement Learning Environment for Histopathological Image Analysis [9.615399811006034]
HistoGymは、医師の実際の過程を模倣して、スライド画像全体の診断を促進することを目的としている。私たちは、WSIベースのシナリオと選択された地域ベースのシナリオを含む、さまざまな臓器や癌のシナリオを提供しています。
論文参考訳（メタデータ） (2024-08-16T17:19:07Z)
Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文参考訳（メタデータ） (2024-07-08T11:44:15Z)
A novel method to compute the contact surface area between an organ and cancer tissue [81.84413479369512]
CSA(contact surface area)とは、腫瘍と臓器の間の接触領域のこと。我々は,腫瘍と臓器の3次元再構成を頼りに,CSAの正確な客観的評価を行う革新的な方法を提案する。
論文参考訳（メタデータ） (2024-01-19T14:34:34Z)
From Pixel to Slide image: Polarization Modality-based Pathological Diagnosis Using Representation Learning [9.326969394501958]
病理組織学的には、甲状腺腫瘍は不適切な検体採取による診断上の課題となる。甲状腺腫瘍の鑑別のための画素レベルのアノテーションとスライスレベルのアノテーションを統合するために,表現学習を用いた3段階モデルを構築した。
論文参考訳（メタデータ） (2024-01-03T02:01:09Z)
Adversarial learning of cancer tissue representations [6.395981404833557]
手動のアノテーションを必要とせずに,癌組織の特徴表現を抽出する逆学習モデルを提案する。これらの表現は乳癌,大腸癌,肺がんの3種類の形態学的特徴を同定することができる。以上の結果から,本モデルが実際の組織試料の特異な表現特性を捉え,腫瘍進展と腫瘍微小環境のさらなる理解の道を開くことが示唆された。
論文参考訳（メタデータ） (2021-08-04T18:00:47Z)
MAG-Net: Mutli-task attention guided network for brain tumor segmentation and classification [0.9176056742068814]
本稿では,MRI画像を用いて脳腫瘍領域の分類と分類を行うマルチタスク注意誘導エンコーダネットワーク(MAG-Net)を提案する。このモデルは既存の最先端モデルと比較して有望な結果を得た。
論文参考訳（メタデータ） (2021-07-26T16:51:00Z)
Predicting survival outcomes using topological features of tumor pathology images [1.0742675209112622]
本稿では,デジタル病理画像から腫瘍進展を特徴付けるトポロジカルな特徴を提案する。病理像に対する距離変換を開発し, 腫瘍形状, 大きさ, 分布, 結合度をトポロジカルサマリー統計学的に定量化する。その結果, 年齢, 性別, 喫煙状況, ステージ, 腫瘍の大きさを調節し, 生存予後を予測した。
論文参考訳（メタデータ） (2020-12-07T18:16:59Z)
Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文参考訳（メタデータ） (2020-07-02T12:00:53Z)
Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文参考訳（メタデータ） (2020-05-22T19:49:10Z)
Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。トレーニングモデルに複数のインスタンス学習スキームを利用する。提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文参考訳（メタデータ） (2020-04-10T13:12:47Z)
Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。