論文の概要: Multi-scale Deep Learning Architecture for Nucleus Detection in Renal
Cell Carcinoma Microscopy Image
- arxiv url: http://arxiv.org/abs/2104.13557v1
- Date: Wed, 28 Apr 2021 03:36:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-29 12:53:41.307494
- Title: Multi-scale Deep Learning Architecture for Nucleus Detection in Renal
Cell Carcinoma Microscopy Image
- Title（参考訳）: 腎細胞癌顕微鏡画像における核検出のためのマルチスケールディープラーニングアーキテクチャ
- Authors: Shiba Kuanar, Vassilis Athitsos, Dwarikanath Mahapatra, Anand Rajan
- Abstract要約: クリアセル腎細胞癌(CCRCC)は、腎癌の研究における腫瘍内異種性の最も一般的な形態の1つです。
本稿では,IHC染色組織像の細胞分類のための深層学習に基づく検出モデルを提案する。
本モデルでは,マルチスケールピラミッドの特徴と局所境界領域からのサリーエンシー情報をマッピングし,回帰によって境界ボックス座標を予測する。
- 参考スコア（独自算出の注目度）: 7.437224586066945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clear cell renal cell carcinoma (ccRCC) is one of the most common forms of
intratumoral heterogeneity in the study of renal cancer. ccRCC originates from
the epithelial lining of proximal convoluted renal tubules. These cells undergo
abnormal mutations in the presence of Ki67 protein and create a lump-like
structure through cell proliferation. Manual counting of tumor cells in the
tissue-affected sections is one of the strongest prognostic markers for renal
cancer. However, this procedure is time-consuming and also prone to
subjectivity. These assessments are based on the physical cell appearance and
suffer wide intra-observer variations. Therefore, better cell nucleus detection
and counting techniques can be an important biomarker for the assessment of
tumor cell proliferation in routine pathological investigations. In this paper,
we introduce a deep learning-based detection model for cell classification on
IHC stained histology images. These images are classified into binary classes
to find the presence of Ki67 protein in cancer-affected nucleus regions. Our
model maps the multi-scale pyramid features and saliency information from local
bounded regions and predicts the bounding box coordinates through regression.
Our method validates the impact of Ki67 expression across a cohort of four
hundred histology images treated with localized ccRCC and compares our results
with the existing state-of-the-art nucleus detection methods. The precision and
recall scores of the proposed method are computed and compared on the clinical
data sets. The experimental results demonstrate that our model improves the F1
score up to 86.3% and an average area under the Precision-Recall curve as
85.73%.
- Abstract（参考訳）: Clear cell renal cell carcinoma (ccRCC) は、腎癌研究において最も一般的な腫瘍内均一性の一つである。
ccRCCは近位尿細管の上皮のライニングに由来する。
これらの細胞はKi67タンパク質の存在下で異常な突然変異を起こし、細胞増殖を通じて塊状構造を形成する。
組織障害部における腫瘍細胞の手動計測は腎癌における最も強力な予後マーカーの一つである。
しかし、この手順は時間がかかり、主観性がもたらされる。
これらの評価は、物理的細胞外観に基づいており、オブザーバ内変異に苦しむ。
そのため, 腫瘍細胞増殖の評価には, より優れた細胞核検出・計数技術が重要なバイオマーカーとなる可能性がある。
本稿では,IHC染色組織像の細胞分類のための深層学習に基づく検出モデルを提案する。
これらの画像は、がんに感染した核領域でki67タンパク質の存在を見つけるために二分分類される。
本モデルでは, 局所境界領域からのマルチスケールピラミッドの特徴と精度情報をマッピングし, 回帰による境界ボックス座標の予測を行う。
本手法は,局所的ccRCCで処理した400個の組織像のコホートにおけるKi67発現の影響を検証し,既存の最先端核検出法と比較する。
提案手法の精度とリコールスコアを計算し,臨床データと比較した。
実験の結果,本モデルはf1スコアを86.3%,精度リコール曲線下の平均面積を85.73%改善した。
関連論文リスト
- Cyto R-CNN and CytoNuke Dataset: Towards reliable whole-cell
segmentation in bright-field histological images [44.83069198478997]
我々は,セル全体を鮮視野画像に正確に分割できるネットワークアーキテクチャCyto R-CNNを提案する。
また,頭頸部扁平上皮癌細胞に対する数千の手動アノテーションからなる新しいデータセットCytoNukeも提示した。
論文 参考訳（メタデータ） (2024-01-28T12:22:34Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳（メタデータ） (2023-11-28T09:14:55Z) - Immunohistochemistry guided segmentation of benign epithelial cells, in situ lesions, and invasive epithelial cells in breast cancer slides [0.3251634769699391]
乳がん領域における上皮細胞のセグメンテーションのためのAIモデルを開発した。
浸潤上皮細胞,良性上皮細胞,in situ病変に対するDiceスコア0.70,0.79,0.75の定量評価を行った。
論文 参考訳（メタデータ） (2023-11-22T09:25:08Z) - CoNIC Challenge: Pushing the Frontiers of Nuclear Detection,
Segmentation, Classification and Counting [46.45578907156356]
我々は、核分裂と細胞組成を評価するために、その種の最大の利用可能なデータセットを用いて、コミュニティ全体の課題をセットアップする。
大腸組織1,658枚の全スライディング画像を用いて,トップパフォーマンスモデルに基づく広範囲な組織解析を行った。
腫瘍微小環境において,核および好酸球が重要な役割を担っていることが示唆された。
論文 参考訳（メタデータ） (2023-03-11T01:21:13Z) - 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) - Correlated Feature Aggregation by Region Helps Distinguish Aggressive
from Indolent Clear Cell Renal Cell Carcinoma Subtypes on CT [1.455251203143627]
腎細胞癌(英: Renal cell carcinoma, RCC)は、臨床行動が異なるがんである。
CT画像に対する攻撃性の決定は、リスク階層化と治療計画を容易にするために臨床的に重要である。
本研究の目的は, 病理像の特徴と相関する放射線学的特徴を機械学習で同定し, 病理像ではなくCT画像上でのがん攻撃性の評価を容易にすることである。
論文 参考訳（メタデータ） (2022-09-29T09:39:31Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Predicting Molecular Phenotypes with Single Cell RNA Sequencing Data: an
Assessment of Unsupervised Machine Learning Models [0.0]
本研究は、異種腫瘍における治療抵抗性表現型分類における教師なし機械学習の評価である。
scRNAseqは細胞のmRNAを定量化し、細胞表現型を特徴づける。
このパイプラインから生成されたクラスターは、がん細胞の挙動と悪性成長を理解するために使用できる。
論文 参考訳（メタデータ） (2021-08-11T05:30:37Z) - Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文 参考訳（メタデータ） (2021-02-10T15:10:37Z) - PathoNet: Deep learning assisted evaluation of Ki-67 and tumor
infiltrating lymphocytes (TILs) as prognostic factors in breast cancer; A
large dataset and baseline [2.4378845585726903]
そこで我々は,Ki-67免疫染色細胞検出・分類のための新しいパイプラインとバックエンド,PathoNetを導入する。
課題に直面しながらも、提案するバックエンドであるPathoNetは、ハーモニック平均値で現在提案されている技術手法の状態を上回ります。
論文 参考訳（メタデータ） (2020-10-09T17:55:52Z) - DLBCL-Morph: Morphological features computed using deep learning for an
annotated digital DLBCL image set [3.5947673199446935]
Diffuse Large B-Cell Lymphoma (DLBCL) が最も一般的な非ホジキンリンパ腫である。
予後と相関する形態学的特徴は一貫して示されていない。
DLBCL209例の病理組織学的検討を行い,臨床および細胞遺伝学的検討を行った。
論文 参考訳（メタデータ） (2020-09-17T07:43:42Z)
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。