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
- Unified HT-CNNs Architecture: Transfer Learning for Segmenting Diverse Brain Tumors in MRI from Gliomas to Pediatric Tumors [2.104687387907779]
トランスファーラーニングにより最適化されたハイブリッドトランスフォーマーと畳み込みニューラルネットワークのアンサンブルであるHT-CNNを紹介した。
この方法では、MRIデータから空間的および文脈的詳細を抽出し、一般的な腫瘍のタイプを表す多様なデータセットを微調整する。
本研究は, 医療イメージセグメンテーションにおけるトランスファーラーニングとアンサンブルアプローチの可能性を明らかにし, 臨床意思決定と患者ケアの大幅な向上を示唆するものである。
論文 参考訳(メタデータ) (2024-12-11T09:52:01Z) - Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略
メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-12-10T10:32:09Z) - Leveraging Medical Foundation Model Features in Graph Neural Network-Based Retrieval of Breast Histopathology Images [1.48419209885019]
本稿では,胸部組織像検索のための新しいアテンションベース逆正則変分グラフオートエンコーダモデルを提案する。
UNIの特徴でトレーニングされた当社のトップパフォーマンスモデルでは,平均mAP/mMVスコアが96.7%/91.5%,97.6%/94.2%,BACHデータセットが97.6%/94.2%であった。
論文 参考訳(メタデータ) (2024-05-07T11:24:37Z) - 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) - 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) - SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on
Medical Images [47.35184075381965]
本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。
提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。
本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
論文 参考訳(メタデータ) (2020-11-15T14:01:24Z) - 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。