論文の概要: PECNet: A Deep Multi-Label Segmentation Network for Eosinophilic
Esophagitis Biopsy Diagnostics
- arxiv url: http://arxiv.org/abs/2103.02015v1
- Date: Tue, 2 Mar 2021 20:37:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 15:04:56.681734
- Title: PECNet: A Deep Multi-Label Segmentation Network for Eosinophilic
Esophagitis Biopsy Diagnostics
- Title（参考訳）: pecnet : 好酸球性食道炎の生検診断のための深層マルチラベルセグメンテーションネットワーク
- Authors: Nati Daniel, Ariel Larey, Eliel Aknin, Garrett A. Osswald, Julie M.
Caldwell, Mark Rochman, Margaret H. Collins, Guang-Yu Yang, Nicoleta C. Arva,
Kelley E. Capocelli, Marc E. Rothenberg, Yonatan Savir
- Abstract要約: 好酸球性食道炎 (EoE) は好酸球増加を伴う食道のアレルギー性炎症性疾患である。
ここでは,機械学習を用いてeoeを識別,定量化し,診断することを目的とした。
PECNet は無傷好酸球を平均絶対誤差 0.611 で定量し、EoE 病活性を98.5% の精度で分類することができた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background. Eosinophilic esophagitis (EoE) is an allergic inflammatory
condition of the esophagus associated with elevated numbers of eosinophils.
Disease diagnosis and monitoring requires determining the concentration of
eosinophils in esophageal biopsies, a time-consuming, tedious and somewhat
subjective task currently performed by pathologists. Methods. Herein, we aimed
to use machine learning to identify, quantitate and diagnose EoE. We labeled
more than 100M pixels of 4345 images obtained by scanning whole slides of
H&E-stained sections of esophageal biopsies derived from 23 EoE patients. We
used this dataset to train a multi-label segmentation deep network. To validate
the network, we examined a replication cohort of 1089 whole slide images from
419 patients derived from multiple institutions. Findings. PECNet segmented
both intact and not-intact eosinophils with a mean intersection over union
(mIoU) of 0.93. This segmentation was able to quantitate intact eosinophils
with a mean absolute error of 0.611 eosinophils and classify EoE disease
activity with an accuracy of 98.5%. Using whole slide images from the
validation cohort, PECNet achieved an accuracy of 94.8%, sensitivity of 94.3%,
and specificity of 95.14% in reporting EoE disease activity. Interpretation. We
have developed a deep learning multi-label semantic segmentation network that
successfully addresses two of the main challenges in EoE diagnostics and
digital pathology, the need to detect several types of small features
simultaneously and the ability to analyze whole slides efficiently. Our results
pave the way for an automated diagnosis of EoE and can be utilized for other
conditions with similar challenges.
- Abstract（参考訳）: 背景。
好酸球性食道炎 (EoE) は好酸球増加を伴う食道のアレルギー性炎症性疾患である。
疾患の診断とモニタリングには食道生検における好酸球の濃度の決定が必要である。
方法。
ここでは,機械学習を用いてeoeを識別,定量化し,診断することを目的とした。
23名のeoe患者から得られた食道生検のh&e染色標本の全スライドを走査して得られた4345画像の100mピクセル以上をラベルづけした。
このデータセットを使用して,マルチラベルセグメンテーション深層ネットワークをトレーニングした。
そこで本研究では,複数の施設から得られた419例のスライド画像の複製コホートについて検討した。
発見。
PECNetは0.93の結合(mIoU)上の平均交差で、不完全および不完全好酸球の両方を分割した。
このセグメンテーションは、無傷好酸球を平均絶対誤差0.611で定量し、EoE病活性を98.5%の精度で分類することができた。
検証コホートの全スライド画像を用いて、PECNetは94.8%の精度、94.3%の感度、95.14%のEoE疾患活性を報告した。
解釈。
我々は,eoe診断とデジタル病理学における2つの主な課題,複数種類の小さな特徴を同時に検出する必要性,スライド全体を効率的に解析する能力を有する,ディープラーニングマルチラベルセマンティクスセグメンテーションネットワークを開発した。
以上の結果から,eoeの自動診断への道が開けられ,同様の課題のある他の条件でも利用できる。
関連論文リスト
- Uncertainty Quantification for Eosinophil Segmentation [16.70916787417709]
好酸球性食道炎 (EoE) は有病率が高くなるアレルギー性疾患である。
EoEを診断するためには、病理学者は1つの高出力場(400X倍率)に15以上の好酸球を見つける必要がある。
深部画像分割を用いた好酸球定量化のためのAdorno et al のアプローチの改善を提案する。
論文 参考訳（メタデータ） (2023-09-28T15:49:01Z) - Artificial Intelligence-based Eosinophil Counting in Gastrointestinal
Biopsies [1.7869681025240884]
正常な好酸球は、健康な人の消化管(GI)に存在している。
好酸球が通常量を超えると、患者は様々な症状を経験する。
病理組織学はこの疾患の診断における金の基準である。
本研究では,GI tract biopsies における好酸球の検出と数を測定するために,UNet に基づくディープニューラルネットワークの訓練と試験を行った。
論文 参考訳（メタデータ） (2022-11-25T07:18:28Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - Harnessing Artificial Intelligence to Infer Novel Spatial Biomarkers for
the Diagnosis of Eosinophilic Esophagitis [0.0]
好酸球性食道炎 (EoE) は食道過敏症に合併した慢性アレルギー性食道炎の1例である。
食道生検では食道好酸球の密度を計る必要がある。
そこで我々は,無傷好酸球のセマンティックセグメンテーションと基底領域分布に基づいてバイオマーカーを推論する人工知能プラットフォームを開発した。
論文 参考訳（メタデータ） (2022-05-26T18:59:47Z) - WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic
Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。
第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文 参考訳（メタデータ） (2022-04-13T15:27:05Z) - Label-Assemble: Leveraging Multiple Datasets with Partial Labels [68.46767639240564]
Label-Assemble”は、公開データセットのアセンブリから部分的なラベルの可能性を最大限に活用することを目的としている。
陰例からの学習は,コンピュータ支援型疾患の診断と検出の双方を促進することが判明した。
論文 参考訳（メタデータ） (2021-09-25T02:48:17Z) - Advancing Eosinophilic Esophagitis Diagnosis and Phenotype Assessment
with Deep Learning Computer Vision [0.7915536524413249]
好酸球性食道炎(英: eosinophilic esophagitis, eoe)は炎症性食道疾患である。
深部画像分割を用いた好酸球の自動定量手法を提案する。
U-Netモデルと後処理システムを適用して、EoEを診断し、疾患の重症度と進行を記述できる好酸球に基づく統計データを生成する。
論文 参考訳（メタデータ） (2021-01-13T20:01:48Z) - Machine learning approach for biopsy-based identification of
eosinophilic esophagitis reveals importance of global features [0.0]
好酸球性食道炎(英: eosinophilic esophagitis, eoe)は食道粘膜に好酸球が蓄積するアレルギー疾患である。
このプロセスの自動化における大きな課題の1つは、生検の規模に対して小さい特徴を検出することである。
我々は、食道生検を85%の精度で分類できるディープ畳み込みニューラルネットワーク(DCNN)に基づくプラットフォームを開発しました。
論文 参考訳（メタデータ） (2021-01-13T10:38:46Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - Multilabel 12-Lead Electrocardiogram Classification Using Gradient
Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。
各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。
各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文 参考訳（メタデータ） (2020-10-21T18:11:36Z) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳（メタデータ） (2020-04-15T12:30:40Z)
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。