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

• Deep Learning Algorithms for Early Diagnosis of Acute Lymphoblastic Leukemia [0.0]
  急性リンパ性白血病(英語: acute lymphoblastic leukemia、ALL)は、白血球に影響を及ぼす血液がんの一種である。 本研究では,ALの診断過程を支援するバイナリ画像分類モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-14T15:35:39Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Vision Transformer-Based Deep Learning for Histologic Classification of Endometrial Cancer [0.7228984887091693]
  子宮内膜癌(英: Endometrial cancer)は、アメリカ合衆国の女性で4番目に多いがんであり、この疾患を発症するリスクは約2.8%である。 本研究では,畳み込みニューラルネットワークを用いて組織学的特徴を抽出し,その視覚的特徴に基づいてスライドを高次・低次に分類するEndoNetを紹介する。 このモデルは、ダートマス・ヘルスにおける子宮内膜癌に対する929のデジタル化ヘマトキシリンとエオシン染色による全スライディング画像に基づいて訓練された。
  論文  参考訳（メタデータ） (2023-12-13T19:38:50Z)
• 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)
• Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types [41.61294299606317]
  腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。 ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。 本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T07:02:32Z)
• 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)
• 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。