論文の概要: Hierarchical Cell-to-Tissue Graph Representations for Breast Cancer
Subtyping in Digital Pathology
- arxiv url: http://arxiv.org/abs/2102.11057v1
- Date: Mon, 22 Feb 2021 14:30:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-24 02:35:34.196462
- Title: Hierarchical Cell-to-Tissue Graph Representations for Breast Cancer
Subtyping in Digital Pathology
- Title（参考訳）: デジタル病理学における乳癌サブタイピングの階層的細胞間グラフ表現
- Authors: Pushpak Pati and Guillaume Jaume and Antonio Foncubierta and Florinda
Feroce and Anna Maria Anniciello and Giosu\`e Scognamiglio and Nadia Brancati
and Maryse Fiche and Estelle Dubruc and Daniel Riccio and Maurizio Di Bonito
and Giuseppe De Pietro and Gerardo Botti and Jean-Philippe Thiran and Maria
Frucci and Orcun Goksel and Maria Gabrani
- Abstract要約: 組織標本を表現できる新しい階層的エンティティグラフ表現を提案する。
組織構造を組織機能にマッピングするために,実体-グラフ表現上で動作する階層グラフニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 10.06217305782974
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Cancer diagnosis and prognosis for a tissue specimen are heavily influenced
by the phenotype and topological distribution of the constituting histological
entities. Thus, adequate tissue representation by encoding the histological
entities, and quantifying the relationship between the tissue representation
and tissue functionality is imperative for computer aided cancer patient care.
To this end, several approaches have leveraged cell-graphs, that encode cell
morphology and organization, to denote the tissue information, and utilize
graph theory and machine learning to map the representation to tissue
functionality. Though cellular information is crucial, it is incomplete to
comprehensively characterize the tissue. Therefore, we consider a tissue as a
hierarchical composition of multiple types of histological entities from fine
to coarse level, that depicts multivariate tissue information at multiple
levels. We propose a novel hierarchical entity-graph representation to depict a
tissue specimen, which encodes multiple pathologically relevant entity types,
intra- and inter-level entity-to-entity interactions. Subsequently, a
hierarchical graph neural network is proposed to operate on the entity-graph
representation to map the tissue structure to tissue functionality.
Specifically, we utilize cells and tissue regions in a tissue to build a
HierArchical Cell-to-Tissue (HACT) graph representation, and HACT-Net, a graph
neural network, to classify histology images. As part of this work, we propose
the BReAst Carcinoma Subtyping (BRACS) dataset, a large cohort of Haematoxylin
& Eosin stained breast tumor regions-of-interest, to evaluate and benchmark our
proposed methodology against pathologists and state-of-the-art computer-aided
diagnostic approaches. Thorough comparative assessment and ablation studies
demonstrated the superior classification efficacy of the proposed methodology.
- Abstract（参考訳）: 組織標本の癌診断および予後は、構成する組織学的実体の表現型およびトポロジカルな分布に大きく影響される。
したがって、組織学的実体をコードし、組織表出と組織機能との関係を定量化することにより、適切な組織表出が、コンピュータ支援がん患者医療に不可欠である。
この目的のために、細胞形態と組織をエンコードする細胞グラフを利用して組織情報を表現し、グラフ理論と機械学習を使って組織機能に表現をマッピングした。
細胞情報は重要ですが、組織を包括的に特徴付けることは不完全です。
そこで我々は,組織を,多変量組織の情報を多次元で表現する,微細から粗いレベルの組織学的実体群の階層的構成として捉える。
本稿では,複数の病的関連のあるエンティティタイプ,組織内および組織間相互作用をコードする組織標本を示す新しい階層的エンティティグラフ表現を提案する。
その後、組織構造を組織機能にマップするために実体-グラフ表現で動作する階層グラフニューラルネットワークが提案される。
具体的には、組織内の細胞と組織領域を利用して、HACTグラフ表現を構築し、HACT-Net(グラフニューラルネットワーク)を用いて組織像を分類する。
本研究では、Huematoxylin & Eosin染色乳癌領域の大きなコホートであるBReAst Carcinoma Subtyping (BRACS)データセットを提案し、病理学者や最新のコンピュータ支援診断アプローチに対して提案された方法論を評価し、ベンチマークする。
比較評価とアブレーションにより,提案手法の優れた分類効果が示された。
関連論文リスト
- Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。
モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文 参考訳（メタデータ） (2024-07-14T04:41:16Z) - Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。
PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。
腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
論文 参考訳（メタデータ） (2024-04-11T09:07:40Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z) - Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。
本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。
次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
論文 参考訳（メタデータ） (2023-02-22T14:52:06Z) - A Survey on Graph-Based Deep Learning for Computational Histopathology [36.58189530598098]
我々は、デジタル病理と生検画像パッチの分析に機械学習と深層学習の利用が急速に拡大しているのを目撃した。
畳み込みニューラルネットワークを用いたパッチワイド機能に関する従来の学習は、グローバルなコンテキスト情報をキャプチャしようとする際のモデルを制限する。
本稿では,グラフに基づく深層学習の概念的基盤を提供し,腫瘍の局在と分類,腫瘍浸潤とステージング,画像検索,生存予測の現在の成功について論じる。
論文 参考訳（メタデータ） (2021-07-01T07:50:35Z) - Deep Multi-Resolution Dictionary Learning for Histopathology Image
Analysis [1.503974529275767]
組織画像における組織表現の問題を解くための深層辞書学習手法を提案する。
提案フレームワークは,既存のcnnsモデルの多くを活用して,効果的な深層テクスチャ記述子を生成することができる。
論文 参考訳（メタデータ） (2021-04-01T17:58:18Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:41:12Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Contrastive Representation Learning for Whole Brain Cytoarchitectonic
Mapping in Histological Human Brain Sections [0.4588028371034407]
本稿では,顕微鏡画像パッチを頑健な微細構造特徴に符号化するための対照的な学習手法を提案する。
この学習課題を用いて事前学習したモデルは、最近提案された補助課題に基づいて事前学習したモデルと同様に、スクラッチから訓練したモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-25T16:44:23Z) - HACT-Net: A Hierarchical Cell-to-Tissue Graph Neural Network for
Histopathological Image Classification [11.051615198681565]
本稿では,組織の構造的描写を改善するために,新しい階層型細胞-組織グラフ(HACT)表現法を提案する。
低レベルの細胞グラフ、細胞形態と相互作用のキャプチャー、高レベルの組織グラフ、組織部分の形態と空間分布のキャプチャー、および細胞間階層で構成されている。
本手法は,H&E染色胸腺癌全体から注目される組織領域のアノテートについて検討した。
論文 参考訳（メタデータ） (2020-07-01T16:22:48Z) - 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)
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。