Fugu-MT 論文翻訳(概要): A Computer-Aided Diagnosis System for Breast Pathology: A Deep Learning Approach with Model Interpretability from Pathological Perspective

論文の概要: A Computer-Aided Diagnosis System for Breast Pathology: A Deep Learning Approach with Model Interpretability from Pathological Perspective

arxiv url: http://arxiv.org/abs/2108.02656v1
Date: Thu, 5 Aug 2021 14:43:59 GMT
ステータス: 処理完了
システム内更新日: 2021-08-06 14:54:27.797787
Title: A Computer-Aided Diagnosis System for Breast Pathology: A Deep Learning Approach with Model Interpretability from Pathological Perspective
Title（参考訳）: 乳腺疾患のコンピュータ診断システム:病理的観点からのモデル解釈可能性を用いた深層学習アプローチ
Authors: Wei-Wen Hsu, Yongfang Wu, Chang Hao, Yu-Ling Hou, Xiang Gao, Yun Shao, Xueli Zhang, Tao He, and Yanhong Tai
Abstract要約: 深層学習による病変検出と分類のためのコンピュータ支援診断システム(CAD)を開発した。本研究では, 畳み込みニューラルネットワーク(CNN)の分類において, 深い特徴が示され, 包括的解釈が可能となった。
参考スコア（独自算出の注目度）: 6.583997407109283
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Objective: We develop a computer-aided diagnosis (CAD) system using deep learning approaches for lesion detection and classification on whole-slide images (WSIs) with breast cancer. The deep features being distinguishing in classification from the convolutional neural networks (CNN) are demonstrated in this study to provide comprehensive interpretability for the proposed CAD system using pathological knowledge. Methods: In the experiment, a total of 186 slides of WSIs were collected and classified into three categories: Non-Carcinoma, Ductal Carcinoma in Situ (DCIS), and Invasive Ductal Carcinoma (IDC). Instead of conducting pixel-wise classification into three classes directly, we designed a hierarchical framework with the multi-view scheme that performs lesion detection for region proposal at higher magnification first and then conducts lesion classification at lower magnification for each detected lesion. Results: The slide-level accuracy rate for three-category classification reaches 90.8% (99/109) through 5-fold cross-validation and achieves 94.8% (73/77) on the testing set. The experimental results show that the morphological characteristics and co-occurrence properties learned by the deep learning models for lesion classification are accordant with the clinical rules in diagnosis. Conclusion: The pathological interpretability of the deep features not only enhances the reliability of the proposed CAD system to gain acceptance from medical specialists, but also facilitates the development of deep learning frameworks for various tasks in pathology. Significance: This paper presents a CAD system for pathological image analysis, which fills the clinical requirements and can be accepted by medical specialists with providing its interpretability from the pathological perspective.
Abstract（参考訳）: 目的: 乳がんを伴う全スライディング画像(WSI)の病変検出と分類にディープラーニングを用いたコンピュータ支援診断(CAD)システムを開発した。本研究では, 病的知識を用いたCADシステムにおいて, 畳み込みニューラルネットワーク (CNN) と区別される深い特徴を包括的に解釈可能であることを示す。方法: 本実験では, 非癌, 直腸癌 (DCIS) , 浸潤性直腸癌 (IDC) の3つのカテゴリーに, 合計186個のWSIスライドを収集し, 分類した。ピクセルワイズを3つのクラスに直接分類する代わりに,まず高倍率で領域提案の病変検出を行い,検出された各病変に対して低倍率で病変分類を行う階層的枠組みを設計した。結果: 3カテゴリー分類のスライドレベルの精度は5倍のクロスバリデーションで90.8% (99/109) に達し,テストセットで94.8% (73/77) に達する。その結果, 病変分類のための深層学習モデルにより得られた形態的特徴と共起特性は, 診断における臨床規則と一致していることがわかった。結論: 深い特徴の病理学的解釈可能性は, 提案したCADシステムの信頼性を高めるだけでなく, 病理学における様々な課題のための深層学習フレームワークの開発も促進する。意義: 本論文は, 臨床要件を満たし, 病理的観点からの解釈可能性を提供することで, 医療専門家に受け入れられる, 病理画像解析のためのCADシステムについて述べる。

関連論文リスト

TopOC: Topological Deep Learning for Ovarian and Breast Cancer Diagnosis [3.262230127283452]
トポロジカルデータ分析は、異なる色チャネルにわたるトポロジカルパターンの評価を通じて重要な情報を抽出することで、ユニークなアプローチを提供する。卵巣癌と乳癌では, トポロジカルな特徴を取り入れることで, 腫瘍型の分化が著しく向上することが示唆された。
論文参考訳（メタデータ） (2024-10-13T12:24:13Z)
Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文参考訳（メタデータ） (2024-07-08T11:44:15Z)
Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
Data and Knowledge Co-driving for Cancer Subtype Classification on Multi-Scale Histopathological Slides [4.22412600279685]
病理学者のような組織学的スライド上で癌サブタイプ分類の過程を再現するデータ・知識共同運転(D&K)モデルを提案する。具体的には、データ駆動モジュールにおいて、アンサンブル学習におけるバッグング機構を利用して、埋め込み表現ユニットによって抽出された様々なバッグの組織学的特徴を統合する。
論文参考訳（メタデータ） (2023-04-18T21:57:37Z)
Lesion detection in contrast enhanced spectral mammography [0.0]
近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
論文参考訳（メタデータ） (2022-07-20T06:49:02Z)
A Pathology-Based Machine Learning Method to Assist in Epithelial Dysplasia Diagnosis [0.0]
上皮性Dysplasia(ED)は口腔癌に先行する病変にみられる組織変化である。本研究では, 変形性上皮の検出を支援するために, 計算コストの低い分類システムを設計する手法を提案する。
論文参考訳（メタデータ） (2022-04-07T16:45:28Z)
A Precision Diagnostic Framework of Renal Cell Carcinoma on Whole-Slide Images using Deep Learning [4.823436898659051]
深層畳み込みニューラルネットワーク(InceptionV3)は、The Cancer Genome Atlasの高品質な注釈付きデータセットに基づいて訓練された。我々の枠組みは、がん領域の検出や、どのがんタイプにも適用可能なサブタイプやグレードの分類において、病理学者に役立てることができる。
論文参考訳（メタデータ） (2021-10-26T12:53:25Z)
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)
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)
Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文参考訳（メタデータ） (2020-10-07T08:36:44Z)
Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。トレーニングモデルに複数のインスタンス学習スキームを利用する。提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。