論文の概要: Contrastive Representation Learning for Rapid Intraoperative Diagnosis of Skull Base Tumors Imaged Using Stimulated Raman Histology

• arxiv url: http://arxiv.org/abs/2108.03555v1
• Date: Sun, 8 Aug 2021 02:49:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 15:51:33.207371
• Title: Contrastive Representation Learning for Rapid Intraoperative Diagnosis of Skull Base Tumors Imaged Using Stimulated Raman Histology
• Title（参考訳）: Stimulated Raman Histology を用いたSkull Base tumor の術中迅速診断のためのコントラスト表現学習
• Authors: Cheng Jiang, Abhishek Bhattacharya, Joseph Linzey, Rushikesh Joshi, Sung Jik Cha, Sudharsan Srinivasan, Daniel Alber, Akhil Kondepudi, Esteban Urias, Balaji Pandian, Wajd Al-Holou, Steve Sullivan, B. Gregory Thompson, Jason Heth, Chris Freudiger, Siri Khalsa, Donato Pacione, John G. Golfinos, Sandra Camelo-Piragua, Daniel A. Orringer, Honglak Lee, Todd Hollon
• Abstract要約: 頭蓋底腫瘍の術中診断は,腫瘍の多様性と術中病理資源の不足により困難である。 頭蓋底腫瘍の迅速かつ正確な診断を可能とする,独立かつ平行な術中病理ワークフローを開発した。
• 参考スコア（独自算出の注目度）: 26.194247664756553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Accurate diagnosis of skull base tumors is essential for providing personalized surgical treatment strategies. Intraoperative diagnosis can be challenging due to tumor diversity and lack of intraoperative pathology resources. Objective: To develop an independent and parallel intraoperative pathology workflow that can provide rapid and accurate skull base tumor diagnoses using label-free optical imaging and artificial intelligence (AI). Method: We used a fiber laser-based, label-free, non-consumptive, high-resolution microscopy method ($<$ 60 sec per 1 $\times$ 1 mm$^\text{2}$), called stimulated Raman histology (SRH), to image a consecutive, multicenter cohort of skull base tumor patients. SRH images were then used to train a convolutional neural network (CNN) model using three representation learning strategies: cross-entropy, self-supervised contrastive learning, and supervised contrastive learning. Our trained CNN models were tested on a held-out, multicenter SRH dataset. Results: SRH was able to image the diagnostic features of both benign and malignant skull base tumors. Of the three representation learning strategies, supervised contrastive learning most effectively learned the distinctive and diagnostic SRH image features for each of the skull base tumor types. In our multicenter testing set, cross-entropy achieved an overall diagnostic accuracy of 91.5%, self-supervised contrastive learning 83.9%, and supervised contrastive learning 96.6%. Our trained model was able to identify tumor-normal margins and detect regions of microscopic tumor infiltration in whole-slide SRH images. Conclusion: SRH with AI models trained using contrastive representation learning can provide rapid and accurate intraoperative diagnosis of skull base tumors.
• Abstract（参考訳）: 背景: 頭蓋底腫瘍の正確な診断は, パーソナライズされた外科的治療戦略の提供に不可欠である。 術中診断は腫瘍の多様性と術中病理資源の不足により困難である。 目的: ラベルのない光学画像と人工知能(AI)を用いて, 迅速かつ正確な頭蓋底腫瘍診断を可能とする, 独立かつ並列な術中病理ワークフローを開発すること。 方法: 刺激Raman histology (SRH) と呼ばれるファイバーレーザーを用いた非接触型高分解能顕微鏡法 (<$60 sec per 1 $\times$ 1 mm$^\text{2}$) を用いて, 頭蓋底腫瘍患者の連続的多心コホートを画像化した。 SRH画像は、クロスエントロピー、自己教師付きコントラスト学習、教師付きコントラスト学習という3つの表現学習戦略を使用して、畳み込みニューラルネットワーク(CNN)モデルをトレーニングするために使用される。 トレーニングされたCNNモデルは、保持されたマルチセンターSRHデータセットでテストされた。 結果: SRHは良性および悪性の頭蓋底腫瘍の診断像が得られた。 3つの表現学習戦略のうち, 教師付き対照学習は, 頭蓋底腫瘍タイプごとにsrh画像の特徴と診断的特徴を最も効果的に学習した。 マルチセンターテストセットでは、クロスエントロピーは91.5%の診断精度、自己監督型コントラスト学習83.9%、教師型コントラスト学習96.6%を達成した。 訓練したモデルでは,腫瘍の正常マージンを同定し,全スライドsrh画像中の微小腫瘍浸潤部位を検出できた。 結論: 比較表現学習を用いて訓練されたAIモデルを用いたSRHは,頭蓋底腫瘍の迅速かつ正確な術中診断を可能にする。

関連論文リスト

• Machine learning approach to brain tumor detection and classification [11.108853789803597]
  脳MRI画像を用いて脳腫瘍を検出し分類するために,様々な統計的および機械学習モデルを適用した。 以上の結果から,CNNは他のモデルよりも優れており,最高の性能を実現していることがわかった。 本研究では、機械学習アプローチが脳腫瘍の検出と分類に適していることを示し、現実の医療応用を促進する。
  論文  参考訳（メタデータ） (2024-10-16T15:52:32Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• Automated ensemble method for pediatric brain tumor segmentation [0.0]
  本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。 データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。 以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-14T15:29:32Z)
• 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)
• OpenSRH: optimizing brain tumor surgery using intraoperative stimulated Raman histology [30.845626784372186]
  今回我々は,脳腫瘍患者のRaman histology(SRH)画像の最初の公開データセットであるOpenSRHについて紹介する。 OpenSRHは、最も一般的な脳腫瘍の診断、完全な病理アノテーション、スライド腫瘍の領域全体、生と加工された光学画像データからのデータを含んでいる。 我々は、マルチクラス脳腫瘍分類とパッチベースのコントラスト表現学習の2つのコンピュータビジョンタスクをベンチマークした。
  論文  参考訳（メタデータ） (2022-06-16T20:43:26Z)
• 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)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Deep Learning models for benign and malign Ocular Tumor Growth Estimation [3.1558405181807574]
  臨床医はしばしば、医用画像データに適した画像処理アルゴリズムを選択する際に問題に直面している。 ここでは、適切なモデルを選択するための戦略を示す。
  論文  参考訳（メタデータ） (2021-07-09T05:40:25Z)
• 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)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。