論文の概要: Self supervised learning improves dMMR/MSI detection from histology slides across multiple cancers

• arxiv url: http://arxiv.org/abs/2109.05819v1
• Date: Mon, 13 Sep 2021 09:43:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-15 02:27:22.426975
• Title: Self supervised learning improves dMMR/MSI detection from histology slides across multiple cancers
• Title（参考訳）: 自己教師付き学習は複数のがんの組織学スライドからdmmr/msiの検出を改善する
• Authors: Charlie Saillard, Olivier Dehaene, Tanguy Marchand, Olivier Moindrot, Aur\'elie Kamoun, Benoit Schmauch, Simon Jegou
• Abstract要約: マイクロサテライト不安定症(MSI)は大腸癌の診断に大きく影響する腫瘍表現型である H&Eステンディングスライドから直接MSI腫瘍を検出する深層学習モデルは、MSI患者の診断を改善することを約束している。 我々は、MoCo V2を用いて、TCGAデータセットの組織像からニューラルネットワークをトレーニングすることで、近年の自己教師学習の進歩を活用している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microsatellite instability (MSI) is a tumor phenotype whose diagnosis largely impacts patient care in colorectal cancers (CRC), and is associated with response to immunotherapy in all solid tumors. Deep learning models detecting MSI tumors directly from H&E stained slides have shown promise in improving diagnosis of MSI patients. Prior deep learning models for MSI detection have relied on neural networks pretrained on ImageNet dataset, which does not contain any medical image. In this study, we leverage recent advances in self-supervised learning by training neural networks on histology images from the TCGA dataset using MoCo V2. We show that these networks consistently outperform their counterparts pretrained using ImageNet and obtain state-of-the-art results for MSI detection with AUCs of 0.92 and 0.83 for CRC and gastric tumors, respectively. These models generalize well on an external CRC cohort (0.97 AUC on PAIP) and improve transfer from one organ to another. Finally we show that predictive image regions exhibit meaningful histological patterns, and that the use of MoCo features highlighted more relevant patterns according to an expert pathologist.
• Abstract（参考訳）: マイクロサテライト不安定性(英語版)(MSI)は、大腸癌(CRC)における患者のケアに大きく影響し、全ての固形腫瘍の免疫療法に反応する腫瘍表現型である。 H&Eステンディングスライドから直接MSI腫瘍を検出する深層学習モデルは、MSI患者の診断を改善することを約束している。 MSI検出のための以前のディープラーニングモデルは、ImageNetデータセットに事前訓練されたニューラルネットワークに依存しており、医療画像は含まれていない。 本研究では,MoCo V2を用いたTGAデータセットの組織像からニューラルネットワークをトレーニングすることで,自己教師学習の最近の進歩を活用する。 以上より,これらのネットワークはimagenetを用いた前訓練群を常に上回っており,crcおよび胃腫瘍に対するaucs 0.92と0.83のmsi検出結果を得た。 これらのモデルは外部のCRCコホート (0.97 AUC on PAIP) でよく一般化され、ある臓器から別の臓器への移動を改善する。 最後に,予測画像領域が有意義な組織学的パターンを示すこと,また,moco特徴の使用がより関連性の高いパターンを示すことを示す。

関連論文リスト

• Advanced Hybrid Deep Learning Model for Enhanced Classification of Osteosarcoma Histopathology Images [0.0]
  本研究は, 小児および思春期において最も多い骨癌である骨肉腫(OS)に焦点を当て, 腕と足の長い骨に影響を及ぼす。 我々は、OSの診断精度を向上させるために、畳み込みニューラルネットワーク(CNN)と視覚変換器(ViT)を組み合わせた新しいハイブリッドモデルを提案する。 このモデルは精度99.08%、精度99.10%、リコール99.28%、F1スコア99.23%を達成した。
  論文  参考訳（メタデータ） (2024-10-29T13:54:08Z)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• 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)
• Enhancing Prostate Cancer Diagnosis with Deep Learning: A Study using mpMRI Segmentation and Classification [0.0]
  前立腺癌(PCa)は世界中の男性の間で重篤な疾患である。早期にPCaを同定し,有効治療のための正確な診断を行うことが重要である。 深層学習(DL)モデルは、医師の関心領域を特定することで、既存の臨床システムを強化し、患者のケアを改善することができる。 本研究は, mpMRI画像の分類とセグメンテーションによく知られたDLモデルを用いてPCaを検出する。
  論文  参考訳（メタデータ） (2023-10-09T03:00:15Z)
• 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)
• Global Contrast Masked Autoencoders Are Powerful Pathological Representation Learners [11.162001837248166]
  本稿では,自己教師付き学習モデルであるGCMAE(Global contrast-masked Autoencoder)を提案する。 GCMAEは3つの異なる疾患特異的ヘマトキシリンとエオシン(HE)染色された病理データセットを用いて、広範囲にわたる実験により、再現性のある表現を学習する能力を示した。
  論文  参考訳（メタデータ） (2022-05-18T16:28:56Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• 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)
• Contrastive Representation Learning for Rapid Intraoperative Diagnosis of Skull Base Tumors Imaged Using Stimulated Raman Histology [26.194247664756553]
  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。
  論文  参考訳（メタデータ） (2021-08-08T02:49:29Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• 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)

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。