論文の概要: DiagSet: a dataset for prostate cancer histopathological image classification

• arxiv url: http://arxiv.org/abs/2105.04014v1
• Date: Sun, 9 May 2021 20:06:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 15:06:56.278768
• Title: DiagSet: a dataset for prostate cancer histopathological image classification
• Title（参考訳）: DiagSet:前立腺癌組織像分類のためのデータセット
• Authors: Micha{\l} Koziarski, Bogus{\l}aw Cyganek, Bogus{\l}aw Olborski, Zbigniew Antosz, Marcin \.Zydak, Bogdan Kwolek, Pawe{\l} W\k{a}sowicz, Andrzej Buka{\l}a, Jakub Swad\'zba, Piotr Sitkowski
• Abstract要約: がん組織領域の検出とスキャンレベルの診断の予測のための機械学習フレームワークを提案する。 このアプローチはパッチレベルの認識において94.6%の精度を達成し、9人のヒト病理組織学者とスキャンレベルの診断で比較される。
• 参考スコア（独自算出の注目度）: 3.115074713731771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cancer diseases constitute one of the most significant societal challenges. In this paper we introduce a novel histopathological dataset for prostate cancer detection. The proposed dataset, consisting of over 2.6 million tissue patches extracted from 430 fully annotated scans, 4675 scans with assigned binary diagnosis, and 46 scans with diagnosis given independently by a group of histopathologists, can be found at https://ai-econsilio.diag.pl. Furthermore, we propose a machine learning framework for detection of cancerous tissue regions and prediction of scan-level diagnosis, utilizing thresholding and statistical analysis to abstain from the decision in uncertain cases. During the experimental evaluation we identify several factors negatively affecting the performance of considered models, such as presence of label noise, data imbalance, and quantity of data, that can serve as a basis for further research. The proposed approach, composed of ensembles of deep neural networks operating on the histopathological scans at different scales, achieves 94.6% accuracy in patch-level recognition, and is compared in a scan-level diagnosis with 9 human histopathologists.
• Abstract（参考訳）: がん疾患は最も重要な社会的課題の1つである。 本稿では前立腺癌検出のための新しい病理組織学的データセットを提案する。 提案したデータセットは、430件の完全アノテートスキャンから抽出された260万以上の組織パッチ、4675件のバイナリ診断によるスキャン、46件の組織病理学者グループによる診断によるスキャンからなり、https://ai-econsilio.diag.plで見ることができる。 さらに,癌組織領域の検出とスキャンレベルの診断の予測を行う機械学習フレームワークを提案する。 実験評価の結果,ラベルノイズの存在,データ不均衡,データ量など,検討モデルの性能に悪影響を及ぼす要因がいくつか見いだされ,さらなる研究の基盤となる。 提案手法は、異なるスケールの組織学的スキャンで動作するディープニューラルネットワークのアンサンブルで構成され、パッチレベルの認識において94.6%の精度を達成し、9人の病理学者とスキャンレベルの診断で比較される。

関連論文リスト

• Automatic Organ and Pan-cancer Segmentation in Abdomen CT: the FLARE 2023 Challenge [15.649976310277099]
  腹部CT検査における臓器・癌の分節化は,正確な癌診断と治療の必要条件である。 既存のベンチマークやアルゴリズムは、特定のがんタイプに合わせて調整されており、包括的ながん分析を提供する能力を制限する。 この研究は、大規模で多様なデータセットを提供することにより、腹部臓器と膵臓の分節に関する最初の国際コンペティションである。
  論文  参考訳（メタデータ） (2024-08-22T16:38:45Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• RCdpia: A Renal Carcinoma Digital Pathology Image Annotation dataset based on pathologists [14.79279940958727]
  腫瘍領域と隣接領域(RCdpia)を個別にラベル付けしたTCGAデジタル病理データセットを作成した。 このデータセットはhttp://39.171.241.18:8888/RCdpia/で公開されている。
  論文  参考訳（メタデータ） (2024-03-17T13:23:25Z)
• 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)
• 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)
• Multi-Label Classification of Thoracic Diseases using Dense Convolutional Network on Chest Radiographs [0.0]
  そこで本研究では,1回の検査で複数の病態を検出できる多ラベル疾患予測モデルを提案する。 提案モデルでは,AUCスコアが0.896であった。
  論文  参考訳（メタデータ） (2022-02-08T00:43:57Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)
• Hierarchical Classification of Pulmonary Lesions: A Large-Scale Radio-Pathomics Study [38.78350161086617]
  CTによる肺病変の診断は重要であるが,肺癌関連疾患の臨床的判断には困難である。 深層学習は肺がんに対するコンピュータ支援診断 (CADx) 領域において大きな成功を収めているが, 放射線診断の困難さからラベルの曖昧さに悩まされている。 本研究は, 侵襲的病理解析が肺がん診断の黄金基準となっていることを考慮し, 大規模放射線病的データセットを用いてラベルあいまいさを解消する。 この振り返りデータセットはPentral-RadPathと呼ばれ、高精度なディープラーニングシステムの開発と検証により、非侵襲的な病理組織ラベルを予測できる。
  論文  参考訳（メタデータ） (2020-10-08T15:14:34Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)
• A Generalized Deep Learning Framework for Whole-Slide Image Segmentation and Analysis [0.20065923589074736]
  病理組織分析は癌診断と予後における金の基準と考えられている。 深層学習に基づく技術は、さまざまな画像解析タスクにおいて、最先端の成果を提供している。 本稿では,病理組織像解析のためのディープラーニングベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-01T18:05:44Z)

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。