論文の概要: Patch-Based Cervical Cancer Segmentation using Distance from Boundary of
Tissue
- arxiv url: http://arxiv.org/abs/2108.08508v1
- Date: Thu, 19 Aug 2021 05:41:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-20 14:20:31.004117
- Title: Patch-Based Cervical Cancer Segmentation using Distance from Boundary of
Tissue
- Title(参考訳): 組織の境界距離を用いたパッチによる頸部癌切除
- Authors: Kengo Araki, Mariyo Rokutan-Kurata, Kazuhiro Terada, Akihiko Yoshizawa
and Ryoma Bise
- Abstract要約: 組織の境界からの距離(DfB)は、元の画像から抽出できる大域的な情報である。
本手法を子宮頸癌3クラス分類に応用し, 従来法と比較して総合成績が向上した。
- 参考スコア(独自算出の注目度): 8.137198664755598
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pathological diagnosis is used for examining cancer in detail, and its
automation is in demand. To automatically segment each cancer area, a
patch-based approach is usually used since a Whole Slide Image (WSI) is huge.
However, this approach loses the global information needed to distinguish
between classes. In this paper, we utilized the Distance from the Boundary of
tissue (DfB), which is global information that can be extracted from the
original image. We experimentally applied our method to the three-class
classification of cervical cancer, and found that it improved the total
performance compared with the conventional method.
- Abstract(参考訳): 病理診断は癌を詳細に検査するために使用され、その自動化が要求されている。
各がん領域を自動的に分割するために、パッチベースのアプローチは通常、WSI(Whole Slide Image)が巨大であるため使用される。
しかし、このアプローチはクラスを区別するのに必要なグローバル情報を失う。
本稿では,原画像から抽出可能な大域的情報である組織境界(dfb)からの距離を利用した。
本法を子宮頸癌の3分類に応用し,従来法と比較して総合成績が向上したことを確認した。
関連論文リスト
- Key Patches Are All You Need: A Multiple Instance Learning Framework For Robust Medical Diagnosis [15.964609888720315]
我々は,複数のインスタンス学習フレームワークを用いて,ディープラーニングモデルが最終分類に達するために使用する情報量を制限することを提案する。
皮膚内視鏡検査による皮膚癌診断とマンモグラフィーによる乳癌診断の2つの医学的応用について検討した。
論文 参考訳(メタデータ) (2024-05-02T18:21:25Z) - CARE: A Large Scale CT Image Dataset and Clinical Applicable Benchmark
Model for Rectal Cancer Segmentation [8.728236864462302]
CT画像の直腸癌セグメンテーションは、タイムリーな臨床診断、放射線治療、経過観察において重要な役割を担っている。
これらの障害は直腸の複雑な解剖学的構造と直腸癌の鑑別診断の困難から生じる。
これらの課題に対処するため,本研究では,正常直腸と癌直腸の両方にピクセルレベルのアノテーションを付加した,新しい大規模直腸癌CT画像データセットCAREを導入する。
また,U-SAMと命名された新しい癌病変セグメンテーションベンチマークモデルを提案する。
このモデルは、迅速な情報を取り入れることで、腹部器官の複雑な解剖学的構造によって引き起こされる課題に対処するように設計されている。
論文 参考訳(メタデータ) (2023-08-16T10:51:27Z) - Robust Tumor Detection from Coarse Annotations via Multi-Magnification
Ensembles [11.070094685209598]
乳癌患者のセンチネルリンパ節のオープンなCAMELYON16データセットにおいて,転移の検出精度を大幅に向上する新しいアンサンブル法を提案する。
臨床的に癌診断に有用であることを示すため,本法により良好な結果が得られた。
論文 参考訳(メタデータ) (2023-03-29T08:41:22Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳(メタデータ) (2023-03-02T15:18:58Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-11-14T18:16:36Z) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳(メタデータ) (2022-09-27T14:08:19Z) - Ensemble of CNN classifiers using Sugeno Fuzzy Integral Technique for
Cervical Cytology Image Classification [1.6986898305640261]
頸がんの単細胞画像とスライド画像の分類を完全自動化するコンピュータ支援診断ツールを提案する。
我々は、Sugeno Fuzzy Integralを使用して、Inception v3、DenseNet-161、ResNet-34という3つの人気のあるディープラーニングモデルの意思決定スコアをアンサンブルする。
論文 参考訳(メタデータ) (2021-08-21T08:41:41Z) - Gleason Grading of Histology Prostate Images through Semantic
Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。
コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。
この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文 参考訳(メタデータ) (2020-05-22T19:49:10Z) - 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) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z) - Multi-scale Domain-adversarial Multiple-instance CNN for Cancer Subtype
Classification with Unannotated Histopathological Images [16.02231907106384]
我々は,マルチインスタンス,ドメイン逆数,マルチスケール学習フレームワークを効果的に組み合わせ,CNNに基づく癌サブタイプ分類法を開発した。
分類性能は標準のCNNや他の従来の方法よりも有意に優れており, 精度は標準の病理医と比較して良好であった。
論文 参考訳(メタデータ) (2020-01-06T14:09:51Z)
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。