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
- Radiomics Boosts Deep Learning Model for IPMN Classification [3.4659499358648675]
膵管内乳頭粘液性腫瘍 (IPMN) の嚢胞は術前膵管病変であり,膵癌に進展する可能性がある。
本研究では,MRIスキャンからIPMNリスク分類のための新しいコンピュータ支援診断パイプラインを提案する。
論文 参考訳(メタデータ) (2023-09-11T22:41:52Z) - 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) - A Personalized Diagnostic Generation Framework Based on Multi-source
Heterogeneous Data [8.115713756776119]
本稿では,病理画像と医療報告を組み合わせることで,個別の患者に対してパーソナライズされた診断結果を生成する枠組みを提案する。
核レベルの特徴的類似性とコンテンツに基づく深層学習法を用いて,類似した病理特性を持つ個体群を探索する。
論文 参考訳(メタデータ) (2021-10-26T13:12:52Z) - 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) - Deep Learning-based Computational Pathology Predicts Origins for Cancers
of Unknown Primary [2.645435564532842]
原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。
最近の研究は、腫瘍原点の同定にゲノム学と転写学を使うことに重点を置いている。
深層学習に基づくCUPの差分診断が可能な計算病理アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-24T17:59:36Z) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳(メタデータ) (2020-04-21T17:07:18Z) - 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) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳(メタデータ) (2020-01-24T21:09:18Z) - 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。