論文の概要: Automatic and explainable grading of meningiomas from histopathology images

• arxiv url: http://arxiv.org/abs/2107.08850v1
• Date: Mon, 19 Jul 2021 13:05:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-20 15:05:49.596553
• Title: Automatic and explainable grading of meningiomas from histopathology images
• Title（参考訳）: 病理組織像からの髄膜腫の自動評価
• Authors: Jonathan Ganz, Tobias Kirsch, Lucas Hoffmann, Christof A. Bertram, Christoph Hoffmann, Andreas Maier, Katharina Breininger, Ingmar Bl\"umcke, Samir Jabari, Marc Aubreville
• Abstract要約: スライド画像全体から全自動髄膜腫を鑑別する3つのアプローチを提示・比較した。 すべてのアプローチはWHOグレードと高い相関関係を持つ。
• 参考スコア（独自算出の注目度）: 4.72477127235866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Meningioma is one of the most prevalent brain tumors in adults. To determine its malignancy, it is graded by a pathologist into three grades according to WHO standards. This grade plays a decisive role in treatment, and yet may be subject to inter-rater discordance. In this work, we present and compare three approaches towards fully automatic meningioma grading from histology whole slide images. All approaches are following a two-stage paradigm, where we first identify a region of interest based on the detection of mitotic figures in the slide using a state-of-the-art object detection deep learning network. This region of highest mitotic rate is considered characteristic for biological tumor behavior. In the second stage, we calculate a score corresponding to tumor malignancy based on information contained in this region using three different settings. In a first approach, image patches are sampled from this region and regression is based on morphological features encoded by a ResNet-based network. We compare this to learning a logistic regression from the determined mitotic count, an approach which is easily traceable and explainable. Lastly, we combine both approaches in a single network. We trained the pipeline on 951 slides from 341 patients and evaluated them on a separate set of 141 slides from 43 patients. All approaches yield a high correlation to the WHO grade. The logistic regression and the combined approach had the best results in our experiments, yielding correct predictions in 32 and 33 of all cases, respectively, with the image-based approach only predicting 25 cases correctly. Spearman's correlation was 0.716, 0.792 and 0.790 respectively. It may seem counterintuitive at first that morphological features provided by image patches do not improve model performance. Yet, this mirrors the criteria of the grading scheme, where mitotic count is the only unequivocal parameter.
• Abstract（参考訳）: 髄膜腫は成人で最も多い脳腫瘍の1つである。 悪性度を決定するには、who基準により病理医によって3段階に分類される。 この等級は治療において決定的な役割を担っており、それでも格間不一致の対象となる可能性がある。 本研究は,全スライド画像から得られた全自動髄膜腫に対する3つのアプローチについて述べる。 すべてのアプローチは2段階のパラダイムに従っており、私たちはまず、最先端のオブジェクト検出深層学習ネットワークを用いてスライド中のミトティックな人物の検出に基づいて関心領域を識別する。 この分裂率の高い領域は、生物学的腫瘍の挙動に特徴的なものであると考えられている。 第2段階では,この領域に含まれる情報に基づいて腫瘍悪性度に対応するスコアを3つの異なる設定で算出する。 最初のアプローチでは、この領域からイメージパッチをサンプリングし、回帰はresnetベースのネットワークでエンコードされた形態的特徴に基づいている。 これを、容易にトレース可能かつ説明可能なアプローチである決定された分裂数からロジスティック回帰を学ぶことと比較する。 最後に、両方のアプローチをひとつのネットワークに組み合わせます。 341名の患者から951名のスライドをトレーニングし,43名の患者から141名のスライドを分離して評価した。 すべてのアプローチはWHOグレードと高い相関関係を持つ。 ロジスティック回帰 (logistic regression) と結合アプローチ (combinated approach) は, それぞれ32例, 33例で正しい予測を行い, 画像ベースアプローチでは25例のみを正しく予測した。 スピアマンの相関は0.716、0.792、0.790である。 画像パッチによって提供される形態的特徴がモデル性能を向上しないのは、最初は直感的に思えるかもしれない。 しかし、これはマイトティックカウントが唯一の明確なパラメータであるグレーディングスキームの基準を反映している。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example [40.3927727959038]
  本稿では,画像の高速分類に畳み込みニューラルネットワーク(CNN)を用いる手法を提案する。 病理像を良性群と悪性群に迅速かつ自動分類することができる。 本手法は乳がんの病理像の分類における精度を効果的に向上することを示す。
  論文  参考訳（メタデータ） (2024-04-12T07:08:05Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• A Deep Learning Approach for Brain Tumor Classification and Segmentation Using a Multiscale Convolutional Neural Network [0.0]
  本稿では,Deep Convolutional Neural Networkを用いた完全自動脳腫瘍分割分類モデルを提案する。 腫瘍の分類精度は0.973で, 同一のデータベースを用いた他の手法よりも高い値を示した。
  論文  参考訳（メタデータ） (2024-02-04T17:47:03Z)
• Efficient subtyping of ovarian cancer histopathology whole slide images using active sampling in multiple instance learning [2.038893829552157]
  マルチインスタンス学習のための識別領域アクティブサンプリング (DRAS-MIL) は、注意スコアを用いて、高度に識別された領域のサンプリングに焦点を合わせ、計算的に効率的なスライド分類法である。 DRAS-MILは,3倍のクロスバリデーションAUCの0.8679で,全スライド解析と同様の分類性能が得られることを示す。 当社のアプローチでは、GPUで評価する時間の33%を要し、CPUだけで14%しか使用していません。
  論文  参考訳（メタデータ） (2023-02-17T13:28:06Z)
• Domain-specific transfer learning in the automated scoring of tumor-stroma ratio from histopathological images of colorectal cancer [1.2264932946286657]
  腫瘍-ストローマ比 (TSR) は多くの種類の固形腫瘍の予後因子である。 この方法は、大腸癌組織を分類するために訓練された畳み込みニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2022-12-30T12:27:27Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• 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)
• Multimodal brain tumor classification [4.984601297028256]
  本研究では,全スライド画像と磁気共鳴画像を組み合わせて腫瘍を分類する深層学習手法について検討する。 特に、私たちのソリューションは、スライド画像の分類全体のための強力で汎用的でモジュラーなアーキテクチャで構成されています。 2020年の計算精度医学の課題に先んじて実験が実施されている。
  論文  参考訳（メタデータ） (2020-09-03T11:41:50Z)
• Deep learning for lithological classification of carbonate rock micro-CT images [52.77024349608834]
  本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。 4つの畳み込みニューラルネットワークモデルが提案された。 精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
  論文  参考訳（メタデータ） (2020-07-30T19:14:00Z)

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。