論文の概要: Computer-Aided Diagnosis of Low Grade Endometrial Stromal Sarcoma
(LGESS)
- arxiv url: http://arxiv.org/abs/2107.05426v1
- Date: Fri, 9 Jul 2021 00:41:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-14 13:43:10.185577
- Title: Computer-Aided Diagnosis of Low Grade Endometrial Stromal Sarcoma
(LGESS)
- Title(参考訳): 低級子宮内膜間質肉腫(lgess)のコンピュータ診断
- Authors: Xinxin Yang and Mark Stamp
- Abstract要約: 低悪性度間質肉腫(LGESS)はまれながんであり、全子宮癌症例の約0.2%を占める。
本研究は,LGESS患者の子宮組織生検像をセグメント化および染色正規化アルゴリズムを用いて前処理するものである。
様々な古典的な機械学習と先進的なディープラーニングモデルを適用して、組織像を良性または癌性のいずれかに分類する。
- 参考スコア(独自算出の注目度): 4.492630871726495
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low grade endometrial stromal sarcoma (LGESS) is rare form of cancer,
accounting for about 0.2% of all uterine cancer cases. Approximately 75% of
LGESS patients are initially misdiagnosed with leiomyoma, which is a type of
benign tumor, also known as fibroids. In this research, uterine tissue biopsy
images of potential LGESS patients are preprocessed using segmentation and
staining normalization algorithms. A variety of classic machine learning and
leading deep learning models are then applied to classify tissue images as
either benign or cancerous. For the classic techniques considered, the highest
classification accuracy we attain is about 0.85, while our best deep learning
model achieves an accuracy of approximately 0.87. These results indicate that
properly trained learning algorithms can play a useful role in the diagnosis of
LGESS.
- Abstract(参考訳): 低悪性度子宮内膜間質肉腫(LGESS)はまれながんであり、全子宮癌症例の約0.2%を占める。
LGESS患者の約75%は、当初は良性腫瘍の一種である平滑筋腫(線維化物)と誤診されている。
本研究では,lgess患者の子宮組織生検像をセグメンテーションと染色正規化アルゴリズムを用いて前処理する。
さまざまな古典的な機械学習とディープラーニングモデルを使用して、組織画像を良性または癌性に分類する。
従来の手法では,最も高い分類精度が約0.85であり,最高のディープラーニングモデルでは約0.87の精度を実現している。
これらの結果から,LGESSの診断に適切な学習アルゴリズムが有用であることが示唆された。
関連論文リスト
- Vision Transformer-Based Deep Learning for Histologic Classification of
Endometrial Cancer [0.7591487543790509]
子宮内膜癌は、世界で6番目に多い女性がんであり、特定のタイプが再発しやすい異種集団である。
本研究では,子宮内膜癌の組織学的分類のためのトランスフォーマーベースディープラーニングアプローチであるEndoNetを紹介する。
論文 参考訳(メタデータ) (2023-12-13T19:38:50Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳(メタデータ) (2023-03-23T18:50:18Z) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳(メタデータ) (2023-02-02T08:45:17Z) - EBHI-Seg: A Novel Enteroscope Biopsy Histopathological Haematoxylin and
Eosin Image Dataset for Image Segmentation Tasks [21.17913442266469]
大腸癌は一般的な致死性悪性腫瘍であり、男性では4番目に多いがんであり、世界でも3番目に多いがんである。
直腸がんの組織学的画像分割のためのデータセットが欠如しており、診断にコンピュータ技術を使用する場合、しばしば評価精度を損なう。
このデータセットは、大腸癌の診断のための新しいセグメンテーションアルゴリズムを研究者に提供することができる。
論文 参考訳(メタデータ) (2022-12-01T14:37:12Z) - EBHI:A New Enteroscope Biopsy Histopathological H&E Image Dataset for
Image Classification Evaluation [29.162527503224364]
大腸癌は世界で3番目に多いがんであり、がん患者の約10%を占めている。
本稿では,新たに公開された内視鏡生検生検生検生データ(EBHI)について報告する。
従来の機械学習手法は76.02%の最大精度を達成し、ディープラーニング手法は95.37%の最大精度を達成している。
論文 参考訳(メタデータ) (2022-02-17T09:53:02Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳(メタデータ) (2022-02-17T08:33:52Z) - 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) - 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) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z) - 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)
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。