論文の概要: Weighted multi-level deep learning analysis and framework for processing
breast cancer WSIs
- arxiv url: http://arxiv.org/abs/2106.14708v1
- Date: Mon, 28 Jun 2021 13:38:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 17:16:28.216904
- Title: Weighted multi-level deep learning analysis and framework for processing
breast cancer WSIs
- Title(参考訳): 乳がんWSI処理のための重み付き多段階ディープラーニング解析とフレームワーク
- Authors: Peter Bokor, Lukas Hudec, Ondrej Fabian, Wanda Benesova
- Abstract要約: 本稿では,画像レベルの利点を生かした新しいアプローチに基づいて,WSI(Whole Slide Images)処理のためのディープラーニングベースのソリューションとフレームワークを提案する。
その結果,グローバル情報の収益性は72.2%から84.8%に向上した。
- 参考スコア(独自算出の注目度): 0.10499611180329801
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prevention and early diagnosis of breast cancer (BC) is an essential
prerequisite for the selection of proper treatment. The substantial pressure
due to the increase of demand for faster and more precise diagnostic results
drives for automatic solutions. In the past decade, deep learning techniques
have demonstrated their power over several domains, and Computer-Aided (CAD)
diagnostic became one of them. However, when it comes to the analysis of Whole
Slide Images (WSI), most of the existing works compute predictions from levels
independently. This is, however, in contrast to the histopathologist expert
approach who requires to see a global architecture of tissue structures
important in BC classification.
We present a deep learning-based solution and framework for processing WSI
based on a novel approach utilizing the advantages of image levels. We apply
the weighing of information extracted from several levels into the final
classification of the malignancy. Our results demonstrate the profitability of
global information with an increase of accuracy from 72.2% to 84.8%.
- Abstract(参考訳): 乳癌(BC)の予防と早期診断は適切な治療の選択に不可欠である。
より高速で正確な診断結果の要求の増加による大きなプレッシャーは、自動ソリューションを駆動する。
過去10年間で、深層学習技術はいくつかの領域でその能力を実証し、コンピュータ支援(CAD)診断はその1つとなった。
しかしながら、WSI(Whole Slide Images)の分析では、既存の作業の多くは、独立したレベルからの予測を計算している。
しかし、これは、BC分類において重要な組織構造のグローバルな構造を見る必要がある病理学者のアプローチとは対照的である。
本稿では,画像レベルの利点を生かした新しいアプローチに基づいて,WSI処理のためのディープラーニングベースのソリューションとフレームワークを提案する。
悪性度の最終分類に,複数のレベルから抽出した情報の重み付けを適用した。
その結果,グローバル情報の収益性は72.2%から84.8%に向上した。
関連論文リスト
- Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳(メタデータ) (2024-02-16T05:16:20Z) - Deep Residual CNN for Multi-Class Chest Infection Diagnosis [1.8204773850586642]
本研究は,胸部感染症のマルチクラス診断のためのディープ残留畳み込みニューラルネットワーク(CNN)の開発と評価について検討する。
さまざまなソースから集約されたデータセット上でトレーニングされ、検証された実装モデルは、堅牢な全体的な精度93%を示した。
論文 参考訳(メタデータ) (2023-11-17T10:05:10Z) - GCS-ICHNet: Assessment of Intracerebral Hemorrhage Prognosis using
Self-Attention with Domain Knowledge Integration [19.51978172091416]
脳内出血 (ICH) は脳血管破裂による重篤な病態である。
本稿では,マルチモーダル脳CTデータとGlasgow Coma Scaleスコアを統合した新しいディープラーニングアルゴリズムGCS-ICHNetを提案する。
論文 参考訳(メタデータ) (2023-11-08T15:51:12Z) - An objective validation of polyp and instrument segmentation methods in
colonoscopy through Medico 2020 polyp segmentation and MedAI 2021
transparency challenges [58.402720481042365]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳(メタデータ) (2023-07-30T16:08:45Z) - Deep Learning based Novel Cascaded Approach for Skin Lesion Analysis [7.371818587876888]
本研究は,2段階の皮膚病変セグメンテーションの枠組みに焦点をあて,その後に病変解析の分類を行う。
皮膚病変分類のためのエンコーダデコーダアーキテクチャとCNNに基づく分類ネットワークを設計し,深層畳み込みニューラルネットワークアーキテクチャの有効性を検討した。
本手法は, 従来の分類法により, 病変の分類精度が有意に向上した第1種である。
論文 参考訳(メタデータ) (2023-01-16T01:08:32Z) - Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。
医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。
外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
論文 参考訳(メタデータ) (2022-07-01T14:17:11Z) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳(メタデータ) (2022-04-18T13:31:53Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - Automated Prostate Cancer Diagnosis Based on Gleason Grading Using
Convolutional Neural Network [12.161266795282915]
そこで本研究では,前立腺癌(PCa)の完全分類のための畳み込みニューラルネットワーク(CNN)を用いた自動分類法を提案する。
Patch-Based Image Reconstruction (PBIR) と呼ばれるデータ拡張手法が提案され,WSIの高分解能化と多様性の向上が図られた。
対象データセットへの事前学習モデルの適応性を高めるために,分布補正モジュールを開発した。
論文 参考訳(メタデータ) (2020-11-29T06:42:08Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z)
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。