論文の概要: Self-learning for weakly supervised Gleason grading of local patterns
- arxiv url: http://arxiv.org/abs/2105.10420v1
- Date: Fri, 21 May 2021 15:39:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 03:13:55.858433
- Title: Self-learning for weakly supervised Gleason grading of local patterns
- Title(参考訳): 局所パターンの弱教師付きグリーソングレーディングのための自己学習
- Authors: Julio Silva-Rodr\'iguez, Adri\'an Colomer, Jose Dolz and Valery
Naranjo
- Abstract要約: 本稿では,自己学習CNNに基づく弱教師付きディープラーニングモデルを提案し,パッチレベルのパターンと生検レベルのスコアリングの両方を正確に行う。
提案手法はパッチレベルのGleasonグレーディングにおいて,大きなマージン差で教師付き手法よりも優れていることを実証的に実証した。
- 参考スコア(独自算出の注目度): 6.97280833203187
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prostate cancer is one of the main diseases affecting men worldwide. The gold
standard for diagnosis and prognosis is the Gleason grading system. In this
process, pathologists manually analyze prostate histology slides under
microscope, in a high time-consuming and subjective task. In the last years,
computer-aided-diagnosis (CAD) systems have emerged as a promising tool that
could support pathologists in the daily clinical practice. Nevertheless, these
systems are usually trained using tedious and prone-to-error pixel-level
annotations of Gleason grades in the tissue. To alleviate the need of manual
pixel-wise labeling, just a handful of works have been presented in the
literature. Motivated by this, we propose a novel weakly-supervised
deep-learning model, based on self-learning CNNs, that leverages only the
global Gleason score of gigapixel whole slide images during training to
accurately perform both, grading of patch-level patterns and biopsy-level
scoring. To evaluate the performance of the proposed method, we perform
extensive experiments on three different external datasets for the patch-level
Gleason grading, and on two different test sets for global Grade Group
prediction. We empirically demonstrate that our approach outperforms its
supervised counterpart on patch-level Gleason grading by a large margin, as
well as state-of-the-art methods on global biopsy-level scoring. Particularly,
the proposed model brings an average improvement on the Cohen's quadratic kappa
(k) score of nearly 18% compared to full-supervision for the patch-level
Gleason grading task.
- Abstract(参考訳): 前立腺がんは男性に影響を及ぼす主な疾患の1つである。
診断と予後のための金の標準は、Gleason grading systemである。
このプロセスでは、病理学者は顕微鏡下の前立腺組織学のスライドを、高い時間と主観的なタスクで手動で分析する。
近年,コンピュータ支援診断システム(CAD)は,臨床実践において病理医を支援できる有望なツールとして出現している。
それでも、これらのシステムは通常、組織内のグリーソングレードの面倒で誤りやすいピクセルレベルのアノテーションを使って訓練される。
手動のピクセルワイドラベリングの必要性を軽減するため、文献ではごく少数の作品が提示されている。
そこで本研究では,自己学習CNNに基づいて,学習中にギガピクセル全体画像のグローバルグリーソンスコアのみを利用して,パッチレベルのパターンと生検レベルのスコアを正確に評価する,弱い教師付き深層学習モデルを提案する。
提案手法の性能を評価するために,パッチレベルのGleasonグレーディングのための3つの異なる外部データセットと,グローバルグレードグループ予測のための2つの異なるテストセットについて広範な実験を行った。
提案手法は, パッチレベルのGleasonグレーティングや, バイオプシーレベルのスコアリングの最先端手法よりも優れていることを実証的に実証した。
特に、提案モデルでは、パッチレベルのGleasonグレーディングタスクのフルスーパービジョンに比べて、コーエンの2次カッパ(k)スコアが18%近く改善されている。
関連論文リスト
- Pathologist-like explainable AI for interpretable Gleason grading in prostate cancer [3.7226270582597656]
我々は,54人の病理学者からなる国際グループによって注釈された1015個の組織マイクロアレイコア画像の新たなデータセットを紹介した。
これらのアノテーションは、国際ガイドラインに従ってグリーソン格付けを行うための詳細な局所的なパターン記述を提供する。
我々は、病理学者の用語を利用した予測を提供するU-Netアーキテクチャに基づく、本質的に説明可能なAIシステムを開発する。
論文 参考訳(メタデータ) (2024-10-19T06:58:26Z) - Classification of Gleason Grading in Prostate Cancer Histopathology Images Using Deep Learning Techniques: YOLO, Vision Transformers, and Vision Mamba [0.6116681488656472]
本研究は,3つの深層学習手法であるYOLO,Vision Transformers,Vision Mambaの有効性を,病理組織像からグリーソングレードを正確に分類し,比較した。
ビジョン・マンバ(Vision Mamba)は、病理画像におけるグリーソン分類の最も効果的なモデルとして登場し、精度と計算効率のバランスを提供する。
論文 参考訳(メタデータ) (2024-09-25T17:36:18Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。
トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。
本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文 参考訳(メタデータ) (2022-11-01T14:12:58Z) - 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) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳(メタデータ) (2021-10-04T16:06:49Z) - Going Deeper through the Gleason Scoring Scale: An Automatic end-to-end
System for Histology Prostate Grading and Cribriform Pattern Detection [7.929433631399375]
本研究の目的は,前立腺生検の日常的分析において病理医を支援できるディープラーニングベースのシステムを開発することである。
この研究の方法論的コアは、がんパターンの存在を決定できる畳み込みニューラルネットワークに基づくパッチワイズ予測モデルである。
論文 参考訳(メタデータ) (2021-05-21T17:51:53Z) - WeGleNet: A Weakly-Supervised Convolutional Neural Network for the
Semantic Segmentation of Gleason Grades in Prostate Histology Images [1.52819437883813]
本研究では,前立腺組織における局所的ながんパターンを,訓練中のグローバルレベルGleasonスコアのみを用いて検出する深層学習システムを提案する。
検証コホートにおける癌パターンの画素レベルの予測のために,コーエンの2次カッパ(k)を0.67で取得した。
我々は、Gleasonグレードのセマンティックセグメンテーションのためのモデル性能を、テストコホートにおける教師付き最先端アーキテクチャと比較した。
論文 参考訳(メタデータ) (2021-05-21T16:27:16Z) - Deep Semi-supervised Metric Learning with Dual Alignment for Cervical
Cancer Cell Detection [49.78612417406883]
子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。
私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。
本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
論文 参考訳(メタデータ) (2021-04-07T17:11:27Z) - 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) - Gleason Score Prediction using Deep Learning in Tissue Microarray Image [15.959329921417618]
我々はGleason 2019 Challengeデータセットを使用して、組織マイクロアレイ(TMA)画像を分割する畳み込みニューラルネットワーク(CNN)モデルを構築しました。
プレトレーニングした前立腺セグメンテーションモデルを用いて,Gleasonグレードセグメンテーションの精度を向上した。
このモデルはテストコホートで平均75.6%のDiceを達成し、Gleason 2019 Challengeで4位となり、コーエンのカッパとf1スコアを組み合わせたスコアは0.778となった。
論文 参考訳(メタデータ) (2020-05-11T07:00:42Z)
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。