Fugu-MT 論文翻訳(概要): Bladder segmentation based on deep learning approaches: current limitations and lessons

論文の概要: Bladder segmentation based on deep learning approaches: current limitations and lessons

arxiv url: http://arxiv.org/abs/2101.06498v1
Date: Sat, 16 Jan 2021 18:20:23 GMT
ステータス: 処理完了
システム内更新日: 2021-03-28 04:31:16.513914
Title: Bladder segmentation based on deep learning approaches: current limitations and lessons
Title（参考訳）: 深層学習アプローチに基づく膀胱分画 : 限界と教訓
Authors: Mark G. Bandyk, Dheeraj R Gopireddy, Chandana Lall, K.C. Balaji, Jose Dolz
Abstract要約: 深層学習モデルを用いて膀胱がんの分画を詳細に観察する。筋浸潤性疾患の正確な鑑別のための重要な決定因子, 深層学習に基づく膀胱分節化の現状, 先行作業の教訓, 限界について考察した。
参考スコア（独自算出の注目度）: 4.51983747559299
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Precise determination and assessment of bladder cancer (BC) extent of muscle invasion involvement guides proper risk stratification and personalized therapy selection. In this context, segmentation of both bladder walls and cancer are of pivotal importance, as it provides invaluable information to stage the primary tumour. Hence, multi region segmentation on patients presenting with symptoms of bladder tumours using deep learning heralds a new level of staging accuracy and prediction of the biologic behaviour of the tumour. Nevertheless, despite the success of these models in other medical problems, progress in multi region bladder segmentation is still at a nascent stage, with just a handful of works tackling a multi region scenario. Furthermore, most existing approaches systematically follow prior literature in other clinical problems, without casting a doubt on the validity of these methods on bladder segmentation, which may present different challenges. Inspired by this, we provide an in-depth look at bladder cancer segmentation using deep learning models. The critical determinants for accurate differentiation of muscle invasive disease, current status of deep learning based bladder segmentation, lessons and limitations of prior work are highlighted.
Abstract（参考訳）: 膀胱癌(BC)の重症度判定と評価は、適切なリスク階層化とパーソナライズされた治療選択を導く。この文脈では、膀胱壁と癌の両方の分節化が重要であり、原発性腫瘍の進行に貴重な情報を提供する。したがって, 深層学習ヘラルドを用いた膀胱腫瘍の症状を呈する患者に対する多領域セグメンテーションは, 新しいステージング精度と腫瘍の生物学的挙動の予測を可能にする。しかしながら、これらのモデルが他の医学的問題で成功したにもかかわらず、多領域膀胱分断の進展はまだ初期段階にあり、多領域のシナリオに取り組む研究はごくわずかである。さらに、既存のアプローチの多くは、膀胱の分画におけるこれらの方法の妥当性を疑うことなく、他の臨床疾患における先行文献を体系的に追従している。このことから,深層学習モデルを用いて膀胱がんの分節化を詳細に観察した。筋浸潤性疾患の正確な鑑別のための重要な決定因子, 深層学習に基づく膀胱分節化の現状, 先行作業の教訓, 限界について述べる。

関連論文リスト

AI-based Automatic Segmentation of Prostate on Multi-modality Images: A Review [17.187976904150545]
前立腺癌患者の死亡率の低下には早期発見が不可欠である。前立腺のセグメンテーションは、画像と前立腺の複雑な組織構造に欠陥があるため困難である。最近の機械学習とデータマイニングツールは、画像セグメンテーションを含む様々な医療分野に統合されている。
論文参考訳（メタデータ） (2024-07-09T07:36:18Z)
NMGrad: Advancing Histopathological Bladder Cancer Grading with Weakly Supervised Deep Learning [1.3911081328487294]
組織学的スライスを用いた膀胱癌評価のためのパイプラインを提案する。異なる倍率レベルでウロテリウム組織タイルを抽出し、特徴抽出のために畳み込みニューラルネットワークを用いて処理する。グレードの予測に注意を払って、ネストされた複数のインスタンス学習アプローチを採用している。
論文参考訳（メタデータ） (2024-05-24T07:02:39Z)
Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
論文参考訳（メタデータ） (2024-03-14T12:05:25Z)
Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文参考訳（メタデータ） (2024-02-16T05:16:20Z)
Robust Tumor Detection from Coarse Annotations via Multi-Magnification Ensembles [11.070094685209598]
乳癌患者のセンチネルリンパ節のオープンなCAMELYON16データセットにおいて,転移の検出精度を大幅に向上する新しいアンサンブル法を提案する。臨床的に癌診断に有用であることを示すため,本法により良好な結果が得られた。
論文参考訳（メタデータ） (2023-03-29T08:41:22Z)
Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文参考訳（メタデータ） (2022-11-18T03:26:31Z)
A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文参考訳（メタデータ） (2022-09-27T14:08:19Z)
End-to-end Learning for Image-based Detection of Molecular Alterations in Digital Pathology [1.916179040410189]
デジタル病理学におけるスライド画像全体(WSI)の分類への現在のアプローチは、主に2段階学習パイプラインを利用している。このようなアプローチの大きな欠点は、臨床ルーチンで取得されていないタスク固有の補助ラベルの要件である。本稿では,WSI分類のための新しい学習パイプラインを提案する。
論文参考訳（メタデータ） (2022-06-30T20:30:33Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
A Novel Self-Learning Framework for Bladder Cancer Grading Using Histopathological Images [1.244681179922733]
組織像から膀胱癌を診断するための自己学習の枠組みについて検討した。組織学的パッチを病のさまざまなレベルに分類できる新しいDeep Convolutional Embedded Attention Clustering (DCEAC)を提案する。
論文参考訳（メタデータ） (2021-06-25T11:04:04Z)
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。