論文の概要: Automated risk classification of colon biopsies based on semantic
segmentation of histopathology images
- arxiv url: http://arxiv.org/abs/2109.07892v1
- Date: Thu, 16 Sep 2021 11:50:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-17 16:29:19.786245
- Title: Automated risk classification of colon biopsies based on semantic
segmentation of histopathology images
- Title（参考訳）: 病理組織像のセマンティックセグメンテーションに基づく大腸生検のリスク自動分類
- Authors: John-Melle Bokhorsta, Iris D. Nagtegaal, Filippo Fraggetta, Simona
Vatrano, Wilma Mesker, Michael Vieth, Jeroen van der Laak, Francesco Ciompi
- Abstract要約: 本稿では,大腸病理組織像の自動評価における2つの大きな課題に対処するアプローチを提案する。
まず,H&E-Stained whole-slide画像中の複数の組織を分割するAIを用いた手法を提案する。
第2に、コンピュータ支援診断システムの基盤として、最高のAIモデルを使用する。
- 参考スコア（独自算出の注目度）: 4.144141972397873
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial Intelligence (AI) can potentially support histopathologists in the
diagnosis of a broad spectrum of cancer types. In colorectal cancer (CRC), AI
can alleviate the laborious task of characterization and reporting on resected
biopsies, including polyps, the numbers of which are increasing as a result of
CRC population screening programs, ongoing in many countries all around the
globe. Here, we present an approach to address two major challenges in
automated assessment of CRC histopathology whole-slide images. First, we
present an AI-based method to segment multiple tissue compartments in the
H\&E-stained whole-slide image, which provides a different, more perceptible
picture of tissue morphology and composition. We test and compare a panel of
state-of-the-art loss functions available for segmentation models, and provide
indications about their use in histopathology image segmentation, based on the
analysis of a) a multi-centric cohort of CRC cases from five medical centers in
the Netherlands and Germany, and b) two publicly available datasets on
segmentation in CRC. Second, we use the best performing AI model as the basis
for a computer-aided diagnosis system (CAD) that classifies colon biopsies into
four main categories that are relevant pathologically. We report the
performance of this system on an independent cohort of more than 1,000
patients. The results show the potential of such an AI-based system to assist
pathologists in diagnosis of CRC in the context of population screening. We
have made the segmentation model available for research use on
https://grand-challenge.org/algorithms/colon-tissue-segmentation/.
- Abstract（参考訳）: 人工知能(AI)は、幅広い種類のがんの診断において、病理学者を支援する可能性がある。
大腸癌(crc)では、aiはポリープを含む切除された生検の診断と報告の手間を軽減し、その数はcrc人口スクリーニングプログラムの結果増加しており、世界中の多くの国で行われている。
本稿では,CRCの病理組織像全体の自動評価における2つの大きな課題に対処するアプローチを提案する。
まず, 組織形態と構成の異なる, 知覚可能な画像を提供するH&E-Stained whole-slide画像中の複数の組織を分割するAIベースの手法を提案する。
セグメンテーションモデルで利用できる最先端の損失関数のパネルを検証・比較し,その分析に基づく病理像セグメンテーションにおける使用例を示す。
a)オランダ及びドイツの5つの医療センターのCRC症例の多中心コホート
b) crcのセグメンテーションに関する2つの公開データセット
第2に、大腸生検を病理学的に関連のある4つの主要なカテゴリに分類するコンピュータ支援診断システム(CAD)の基礎として、最高のAIモデルを用いる。
本システムの性能は1,000人以上の患者から独立したコホートで報告した。
以上の結果から,CRCの診断における病理医を支援するAIベースのシステムの可能性が示唆された。
セグメンテーションモデルをhttps://grand-challenge.org/algorithms/colon-tissue-segmentation/で研究するために利用しました。
関連論文リスト
- Segmentation, Classification and Interpretation of Breast Cancer Medical Images using Human-in-the-Loop Machine Learning [37.69303106863453]
本論文は、乳癌のゲノムデータと全スライドイメージング(WSI)解析の統合を扱っている。
病理医の関与は, より優れたセグメンテーションモデルの開発と, モデルの説明能力の向上に役立ったが, 分類結果は準最適であった。
論文 参考訳（メタデータ） (2024-03-29T10:49:02Z) - AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with
Imperfect Anatomical Knowledge [9.961742312147674]
自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。
提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
論文 参考訳（メタデータ） (2023-10-07T03:22:06Z) - 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) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳（メタデータ） (2022-02-17T08:33:52Z) - Redesigning Fully Convolutional DenseUNets for Large Histopathology
Images [0.0]
病理組織学の問題を解決するために,完全畳み込みDenseUNetを提案する。
課題として公表された2つの公開病理データセットを用いて,我々のネットワークを評価した。
論文 参考訳（メタデータ） (2021-08-05T15:14:20Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - 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) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z) - 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) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。