論文の概要: Machine Learning Methods for Histopathological Image Analysis: A Review
- arxiv url: http://arxiv.org/abs/2102.03889v1
- Date: Sun, 7 Feb 2021 19:12:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-11 08:38:22.060445
- Title: Machine Learning Methods for Histopathological Image Analysis: A Review
- Title(参考訳): 病理画像解析のための機械学習手法:概観
- Authors: Jonathan de Matos and Steve Tsham Mpinda Ataky and Alceu de Souza
Britto Jr. and Luiz Eduardo Soares de Oliveira and Alessandro Lameiras
Koerich
- Abstract要約: 病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。
このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
- 参考スコア(独自算出の注目度): 62.14548392474976
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Histopathological images (HIs) are the gold standard for evaluating some
types of tumors for cancer diagnosis. The analysis of such images is not only
time and resource consuming, but also very challenging even for experienced
pathologists, resulting in inter- and intra-observer disagreements. One of the
ways of accelerating such an analysis is to use computer-aided diagnosis (CAD)
systems. In this paper, we present a review on machine learning methods for
histopathological image analysis, including shallow and deep learning methods.
We also cover the most common tasks in HI analysis, such as segmentation and
feature extraction. In addition, we present a list of publicly available and
private datasets that have been used in HI research.
- Abstract(参考訳): 病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。
このような画像の解析は時間と資源を消費するだけでなく、経験豊富な病理学者にとっても非常に困難である。
このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
本稿では,浅層・深層学習を含む組織病理学的画像解析のための機械学習手法について検討する。
また、セグメント化や特徴抽出など、HI分析における最も一般的なタスクについても取り上げる。
さらに、HI研究で使用されている公開およびプライベートデータセットのリストを紹介します。
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) - Biomedical Image Segmentation: A Systematic Literature Review of Deep Learning Based Object Detection Methods [1.0043008463279772]
深層学習に基づく物体検出法は、バイオメディカルイメージセグメンテーションに一般的に用いられている。
既存の調査では、標準化されたアプローチやより広範なセグメンテーション技術に重点を置いていないことが多い。
これらの手法を批判的に分析し,課題を特定し,今後の方向性について考察した。
このSLRは、研究コミュニティにこれらのセグメンテーションモデルについて素早く深く理解することを目的としています。
論文 参考訳(メタデータ) (2024-08-06T18:38:55Z) - Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
医用画像のテキストレポートの代替としてアイトラッキングを提案する。
医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。
対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
論文 参考訳(メタデータ) (2023-12-11T02:27:45Z) - BMAD: Benchmarks for Medical Anomaly Detection [51.22159321912891]
異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題である。
医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。
医用画像の異常検出方法を評価するための総合評価ベンチマークを導入する。
論文 参考訳(メタデータ) (2023-06-20T20:23:46Z) - Case Studies on X-Ray Imaging, MRI and Nuclear Imaging [0.0]
我々は、AIベースのアプローチ、特にCNN(Convolutional Neural Networks)の使用が、医療画像技術による疾患検出にどのように役立つかに焦点を当てる。
CNNは、生の入力画像から特徴を抽出できるため、画像解析の一般的な手法である。
論文 参考訳(メタデータ) (2023-06-03T09:05:35Z) - Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳(メタデータ) (2023-03-15T14:00:11Z) - Artificial Intelligence in Tumor Subregion Analysis Based on Medical
Imaging: A Review [2.119165920735065]
本稿では,医療画像におけるAIを用いた腫瘍サブリージョン解析についてレビューする。
トレーニング戦略によって、aiベースの手法を分類します。
腫瘍サブリージョン分析における特定の課題と潜在的なAI応用について論じる。
論文 参考訳(メタデータ) (2021-03-25T03:41:21Z) - Objective Diagnosis for Histopathological Images Based on Machine
Learning Techniques: Classical Approaches and New Trends [0.33554367023486936]
病理組織像は顕微鏡で撮影され、多くの疾患を特定し、調査し、分類する。
病理組織像の解析は、疾患の診断を支援する多種多様かつ関連する研究領域である。
本稿では, 組織像解析に応用された従来の深層学習技術について概観する。
論文 参考訳(メタデータ) (2020-11-10T07:31:05Z) - 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) - 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)
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。