論文の概要: Going Deeper through the Gleason Scoring Scale: An Automatic end-to-end
System for Histology Prostate Grading and Cribriform Pattern Detection
- arxiv url: http://arxiv.org/abs/2105.10490v1
- Date: Fri, 21 May 2021 17:51:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 03:12:58.747644
- Title: Going Deeper through the Gleason Scoring Scale: An Automatic end-to-end
System for Histology Prostate Grading and Cribriform Pattern Detection
- Title（参考訳）: グリアソンスコアリング尺度のより深く : 前立腺生検とクリブリフォルムパターン検出のためのエンド・ツー・エンド自動システム
- Authors: Julio Silva-Rodr\'iguez, Adri\'an Colomer, Mar\'ia A. Sales, Rafael
Molina and Valery Naranjo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.929433631399375
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Gleason scoring system is the primary diagnostic and prognostic tool for
prostate cancer. In recent years, with the development of digitisation devices,
the use of computer vision techniques for the analysis of biopsies has
increased. However, to the best of the authors' knowledge, the development of
algorithms to automatically detect individual cribriform patterns belonging to
Gleason grade 4 has not yet been studied in the literature. The objective of
the work presented in this paper is to develop a deep-learning-based system
able to support pathologists in the daily analysis of prostate biopsies. The
methodological core of this work is a patch-wise predictive model based on
convolutional neural networks able to determine the presence of cancerous
patterns. In particular, we train from scratch a simple self-design
architecture. The cribriform pattern is detected by retraining the set of
filters of the last convolutional layer in the network. From the reconstructed
prediction map, we compute the percentage of each Gleason grade in the tissue
to feed a multi-layer perceptron which provides a biopsy-level score.mIn our
SICAPv2 database, composed of 182 annotated whole slide images, we obtained a
Cohen's quadratic kappa of 0.77 in the test set for the patch-level Gleason
grading with the proposed architecture trained from scratch. Our results
outperform previous ones reported in the literature. Furthermore, this model
reaches the level of fine-tuned state-of-the-art architectures in a
patient-based four groups cross validation. In the cribriform pattern detection
task, we obtained an area under ROC curve of 0.82. Regarding the biopsy Gleason
scoring, we achieved a quadratic Cohen's Kappa of 0.81 in the test subset.
Shallow CNN architectures trained from scratch outperform current
state-of-the-art methods for Gleason grades classification.
- Abstract（参考訳）: gleason score systemは、前立腺がんの診断および予後診断のためのツールである。
近年,デジタル化装置の開発に伴い,生検解析におけるコンピュータビジョン技術の利用が増加している。
しかし、著者の知る限りでは、グリアソングレード4に属する個々のクリブリックパターンを自動的に検出するアルゴリズムの開発は、文献ではまだ研究されていない。
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深層学習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。
特に、単純な自己設計アーキテクチャをゼロからトレーニングします。
ネットワークの最後の畳み込み層のフィルタセットを再訓練することにより、クリュリフォームパターンを検出する。
組織内のGleasonグレードの比率を算出し,バイオプシーレベルスコアを提供する多層パーセプトロンを供給した。 私たちのSICAPv2データベースでは,182個の注釈付き全スライド画像からなり, パッチレベルのGleasonグレーディングをスクラッチからトレーニングしたアーキテクチャを用いて, コーエンの2次カッパが0.77であることを確認した。
我々の結果は、文献で報告された過去の結果を上回った。
さらに、このモデルは、患者をベースとした4つのグループ横断検証において、微調整された最先端アーキテクチャのレベルに達する。
cribriformパターン検出タスクでは,roc曲線下の領域が0.82であった。
生検Gleasonスコアでは、テストサブセットでCohen's Kappaの0.81を達成しました。
ゼロから訓練された浅層CNNアーキテクチャは、Gleasonグレード分類のための最先端の手法である。
関連論文リスト
- Assessing the Performance of Deep Learning for Automated Gleason Grading in Prostate Cancer [0.0]
本研究は前立腺癌におけるGleason gradingの自動化のための11のディープニューラルネットワークアーキテクチャの可能性について検討した。
AUCMEDIフレームワークに基づく標準化された画像分類パイプラインは、堅牢な評価を容易にする。
より新しいアーキテクチャは、密接に関連するGleasonグレードの差別化の難しさにもかかわらず、優れたパフォーマンスを実現した。
論文 参考訳（メタデータ） (2024-03-25T12:26:32Z) - 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) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - 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) - 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) - 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) - 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。