論文の概要: WeGleNet: A Weakly-Supervised Convolutional Neural Network for the
Semantic Segmentation of Gleason Grades in Prostate Histology Images
- arxiv url: http://arxiv.org/abs/2105.10445v1
- Date: Fri, 21 May 2021 16:27:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 03:13:29.390868
- Title: WeGleNet: A Weakly-Supervised Convolutional Neural Network for the
Semantic Segmentation of Gleason Grades in Prostate Histology Images
- Title（参考訳）: WeGleNet: 前立腺組織像におけるグリーソン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弱スーパービジョン畳み込みニューラルネットワーク
- Authors: Julio Silva-Rodr\'iguez, Adri\'an Colomer, Valery Naranjo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.52819437883813
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Prostate cancer is one of the main diseases affecting men worldwide. The
Gleason scoring system is the primary diagnostic tool for prostate cancer. This
is obtained via the visual analysis of cancerous patterns in prostate biopsies
performed by expert pathologists, and the aggregation of the main Gleason
grades in a combined score. Computer-aided diagnosis systems allow to reduce
the workload of pathologists and increase the objectivity. Recently, efforts
have been made in the literature to develop algorithms aiming the direct
estimation of the global Gleason score at biopsy/core level with global labels.
However, these algorithms do not cover the accurate localization of the Gleason
patterns into the tissue. In this work, we propose a deep-learning-based system
able to detect local cancerous patterns in the prostate tissue using only the
global-level Gleason score during training. The methodological core of this
work is the proposed weakly-supervised-trained convolutional neural network,
WeGleNet, based on a multi-class segmentation layer after the feature
extraction module, a global-aggregation, and the slicing of the background
class for the model loss estimation during training. We obtained a Cohen's
quadratic kappa (k) of 0.67 for the pixel-level prediction of cancerous
patterns in the validation cohort. We compared the model performance for
semantic segmentation of Gleason grades with supervised state-of-the-art
architectures in the test cohort. We obtained a pixel-level k of 0.61 and a
macro-averaged f1-score of 0.58, at the same level as fully-supervised methods.
Regarding the estimation of the core-level Gleason score, we obtained a k of
0.76 and 0.67 between the model and two different pathologists. WeGleNet is
capable of performing the semantic segmentation of Gleason grades similarly to
fully-supervised methods without requiring pixel-level annotations.
- 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。
gleason score systemは前立腺がんの一次診断ツールである。
これは、専門の病理学者による前立腺生検における癌パターンの視覚的解析と、Gleasonの成績を総合スコアで集計することで得られる。
コンピュータ支援診断システムにより、病理医の作業量を減らし、客観性を高めることができる。
近年,グローバルなGleasonスコアをバイオプシー/コアレベルで直接推定するアルゴリズムをグローバルなラベルで開発するための研究が進められている。
しかし、これらのアルゴリズムはグリソンパターンの組織への正確な局在をカバーしていない。
本研究では,訓練中のGleasonスコアのみを用いて前立腺組織における局所的ながんパターンを検出する深層学習システムを提案する。
本研究の方法論的コアは,特徴抽出モジュールの後,多クラスセグメンテーション層,グローバルアグリゲーション,トレーニング中のモデル損失推定のためのバックグラウンドクラスのスライシングに基づく,弱教師付き学習型畳み込みニューラルネットワークWeGleNetである。
検証コホートにおける癌パターンの画素レベル予測のために, cohen の二次 kappa (k) を 0.67 で求めた。
テストコホートにおけるgleasonグレードのセマンティクスセグメンテーションと教師付き最先端アーキテクチャの比較を行った。
画素レベルkは 0.61 であり,マクロ平均 f1 スコアは 0.58 である。
コアレベルGleasonスコアの推定では, モデルと2つの病理学者の間に0.76と0.67の値が得られた。
WeGleNetは、ピクセルレベルのアノテーションを必要とすることなく、完全に教師されたメソッドと同様に、Gleasonグレードのセマンティックセグメンテーションを実行することができる。
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) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Comparative analysis of deep learning approaches for AgNOR-stained
cytology samples interpretation [52.77024349608834]
本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。
以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。
最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
論文 参考訳（メタデータ） (2022-10-19T15:15:32Z) - 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) - 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) - Self-learning for weakly supervised Gleason grading of local patterns [6.97280833203187]
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。
論文 参考訳（メタデータ） (2021-05-21T15:39:50Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - 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。