論文の概要: Deep Learning-based Frozen Section to FFPE Translation
- arxiv url: http://arxiv.org/abs/2107.11786v1
- Date: Sun, 25 Jul 2021 11:32:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-28 01:28:06.074180
- Title: Deep Learning-based Frozen Section to FFPE Translation
- Title(参考訳): 深層学習に基づく凍結部からFFPE翻訳
- Authors: Kutsev Bengisu Ozyoruk, Sermet Can, Guliz Irem Gokceler, Kayhan Basak,
Derya Demir, Gurdeniz Serin, Uguray Payam Hacisalihoglu, Berkan Darbaz, Ming
Y. Lu, Tiffany Y. Chen, Drew F. K. Williamson, Funda Yilmaz, Faisal Mahmood,
Mehmet Turan
- Abstract要約: 凍結切片 (FS) は外科手術中の組織を顕微鏡的に評価する方法である。
FSは、核の氷結晶、圧縮、切断人工物などの誤解を招く人工構造を導入する傾向にある。
本稿では,凍結切断された全スライディング画像から全スライディングFFPE画像に数分で変換することで,FS画像の品質を向上させる人工知能(AI)手法を提案する。
- 参考スコア(独自算出の注目度): 4.221354566366119
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Frozen sectioning (FS) is the preparation method of choice for microscopic
evaluation of tissues during surgical operations. The high speed of procedure
allows pathologists to rapidly assess the key microscopic features, such as
tumor margins and malignant status to guide surgical decision-making and
minimise disruptions to the course of the operation. However, FS is prone to
introducing many misleading artificial structures (histological artefacts),
such as nuclear ice crystals, compression, and cutting artefacts, hindering
timely and accurate diagnostic judgement of the pathologist. On the other hand,
the gold standard tissue preparation technique of formalin-fixation and
paraffin-embedding (FFPE) provides significantly superior image quality, but is
a very time-consuming process (12-48 hours), making it unsuitable for
intra-operative use. In this paper, we propose an artificial intelligence (AI)
method that improves FS image quality by computationally transforming
frozen-sectioned whole-slide images (FS-WSIs) into whole-slide FFPE-style
images in minutes. AI-FFPE rectifies FS artefacts with the guidance of an
attention-mechanism that puts a particular emphasis on artefacts while
utilising a self-regularization mechanism established between FS input image
and synthesized FFPE-style image that preserves clinically relevant features.
As a result, AI-FFPE method successfully generates FFPE-style images without
significantly extending tissue processing time and consequently improves
diagnostic accuracy.
- Abstract(参考訳): 凍結切片 (FS) は外科手術中の組織を顕微鏡的に評価する方法である。
手術の高速化により、病理医は腫瘍のマージンや悪性度などの重要な顕微鏡的特徴を迅速に評価し、外科的意思決定をガイドし、手術の経過を最小化することができる。
しかし、FSは核氷結晶、圧縮、切削人工物など多くの誤解を招く人工構造物(考古学的人工物)を導入する傾向があり、病理学者のタイムリーかつ正確な診断を妨げている。
一方, ホルマリン固定法とパラフィン埋め込み法(FFPE)の金標準組織調製法は画像品質を著しく向上させるが, 非常に時間を要する(12~48時間)であり, 術中使用には適さない。
本稿では,凍結切断された全スライディング画像(FS-WSI)を全スライディングFFPE画像に数分で変換することにより,FS画質を向上させる人工知能(AI)手法を提案する。
AI-FFPEは、FS入力画像と臨床的に関係のある特徴を保存したFFPEスタイルの画像との間に確立された自己規則化メカニズムを活用しながら、アーティファクトに特に重点を置く注目機構のガイダンスでFSアーティファクトを修正する。
その結果, 組織処理時間を著しく延長することなく, ffpe型画像の生成に成功し, 診断精度が向上した。
関連論文リスト
- Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT
(CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。
近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。
本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向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) (2023-11-01T10:09:01Z) - Super resolution of histopathological frozen sections via deep learning
preserving tissue structure [0.0]
病理組織学的凍結切片の超解像に対する新しいアプローチを提案する。
我々のディープラーニングアーキテクチャは、補間された画像と実際の画像の間の誤りを学習することに焦点を当てている。
既存の手法と比較して、構造類似度指数 (SSIM) とピーク信号-雑音比 (PSNR) の面で大幅に改善された。
提案手法は, 画像試料の高分解能を保ちながら, より高速な凍結断面積撮影を実現する大きな可能性を秘めている。
論文 参考訳(メタデータ) (2023-10-17T09:52:54Z) - GLSFormer : Gated - Long, Short Sequence Transformer for Step
Recognition in Surgical Videos [57.93194315839009]
本稿では,シーケンスレベルのパッチから時間的特徴を直接学習するための視覚変換器に基づくアプローチを提案する。
本研究では,白内障手術用ビデオデータセットである白内障-101とD99に対するアプローチを広範に評価し,各種の最先端手法と比較して優れた性能を示した。
論文 参考訳(メタデータ) (2023-07-20T17:57:04Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Mutual Contrastive Learning to Disentangle Whole Slide Image
Representations for Glioma Grading [10.65788461379405]
全スライド画像(WSI)は,腫瘍の組織学的悪性度評価とグレーディングに有用な表現型情報を提供する。
最も一般的に使用されるWSIは、ホルマリン固定パラフィン埋め込み(FFPE)と凍結セクションに由来する。
そこで本研究では,FFPEと凍結部を統合し,グリオーマグレーディングのためのモダリティ表現を歪曲する相互コントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-08T11:08:44Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳(メタデータ) (2021-12-20T03:38:37Z) - A generative adversarial approach to facilitate archival-quality
histopathologic diagnoses from frozen tissue sections [9.977722139986643]
ホルマリン固定パラフィン埋め込み(FFPE)組織は、その超画質にほぼ普遍的に好まれる。
フレッシュフリーズ(FF)処理は、迅速な情報が得られるが、クリーニングの欠如、形態的変形、そしてより頻繁なアーティファクトにより、診断精度は準最適である。
我々は、98対の腎サンプルから生成したGANを用いて、FFPEのような画像(仮想FFPE)をFFPEから合成する。
論文 参考訳(メタデータ) (2021-08-24T07:20:53Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳(メタデータ) (2021-05-18T10:15:17Z) - Deep learning for biomedical photoacoustic imaging: A review [0.3234560001579256]
光音響イメージング(英: Photoacoustic Imaging, PAI)は、組織深度数センチまでの光学組織特性を空間的に分解した画像化を可能にする、将来性のある画像モダリティである。
生データから関連組織パラメータを抽出するには、逆画像再構成問題の解決が必要である。
深層学習法には、PAIの臨床翻訳を容易にするユニークな利点がある。
論文 参考訳(メタデータ) (2020-11-05T10:33:51Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳(メタデータ) (2020-02-25T14:48:17Z)
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。