論文の概要: A Precision Diagnostic Framework of Renal Cell Carcinoma on Whole-Slide
Images using Deep Learning
- arxiv url: http://arxiv.org/abs/2110.13652v1
- Date: Tue, 26 Oct 2021 12:53:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-27 21:46:53.423975
- Title: A Precision Diagnostic Framework of Renal Cell Carcinoma on Whole-Slide
Images using Deep Learning
- Title（参考訳）: ディープラーニングを用いた全スライディング画像の腎細胞癌の高精度診断フレームワーク
- Authors: Jialun Wu, Haichuan Zhang, Zeyu Gao, Xinrui Bao, Tieliang Gong,
Chunbao Wang, and Chen Li
- Abstract要約: 深層畳み込みニューラルネットワーク(InceptionV3)は、The Cancer Genome Atlasの高品質な注釈付きデータセットに基づいて訓練された。
我々の枠組みは、がん領域の検出や、どのがんタイプにも適用可能なサブタイプやグレードの分類において、病理学者に役立てることができる。
- 参考スコア（独自算出の注目度）: 4.823436898659051
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diagnostic pathology, which is the basis and gold standard of cancer
diagnosis, provides essential information on the prognosis of the disease and
vital evidence for clinical treatment. Tumor region detection, subtype and
grade classification are the fundamental diagnostic indicators for renal cell
carcinoma (RCC) in whole-slide images (WSIs). However, pathological diagnosis
is subjective, differences in observation and diagnosis between pathologists is
common in hospitals with inadequate diagnostic capacity. The main challenge for
developing deep learning based RCC diagnostic system is the lack of large-scale
datasets with precise annotations. In this work, we proposed a deep
learning-based framework for analyzing histopathological images of patients
with renal cell carcinoma, which has the potential to achieve pathologist-level
accuracy in diagnosis. A deep convolutional neural network (InceptionV3) was
trained on the high-quality annotated dataset of The Cancer Genome Atlas (TCGA)
whole-slide histopathological image for accurate tumor area detection,
classification of RCC subtypes, and ISUP grades classification of clear cell
carcinoma subtypes. These results suggest that our framework can help
pathologists in the detection of cancer region and classification of subtypes
and grades, which could be applied to any cancer type, providing auxiliary
diagnosis and promoting clinical consensus.
- Abstract（参考訳）: がん診断の基礎と金の基準である診断病理学は、疾患の予後と臨床治療のための重要な証拠に関する重要な情報を提供する。
腎細胞癌 (RCC) の診断には, 腫瘍領域の検出, サブタイプ, グレード分類が重要である。
しかし,病理診断は主観的であり,診断能力が不十分な病院では観察と診断の違いが一般的である。
ディープラーニングベースのRCC診断システムを開発する上での大きな課題は、正確なアノテーションを備えた大規模データセットの欠如である。
本研究では,腎細胞癌患者の病理像を分析するための深層学習に基づく枠組みを提案する。
深層畳み込みニューラルネットワーク (inceptionv3) を, 癌領域検出, rccサブタイプの分類, 明細胞癌サブタイプのisupグレード分類のための, 癌ゲノムアトラス(tcga)全スライダー病理像の高品質な注釈付きデータセットで訓練した。
以上より, 病理組織学的手法は, 癌領域の検出やサブタイプ, 等級の分類に有用であり, 診断の補助や臨床コンセンサスの促進に有用であることが示唆された。
関連論文リスト
- Meta-information-aware Dual-path Transformer for Differential Diagnosis
of Multi-type Pancreatic Lesions in Multi-phase CT [41.199716328468895]
膵病変の分類と分節の可能性を活用するために, デュアルパストランスフォーマーを開発した。
提案手法は, CNN-based segmentation path (S-path) と Transformer-based classification path (C-path) から構成される。
以上の結果から,膵病変の完全分類の正確な分類と分類が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-03-02T03:34:28Z) - Detecting Histologic & Clinical Glioblastoma Patterns of Prognostic
Relevance [6.281092892485014]
グリオ芽腫は中枢神経系で最も一般的で攻撃的な悪性成人腫瘍である。
18年前に現在の標準治療を採用して以降,実質的な予後改善は認められていない。
ここでは,H&E染色WSIとOSに関する臨床データから,予後関連特性の同定に焦点をあてる。
論文 参考訳（メタデータ） (2023-02-01T18:56:09Z) - 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) - 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) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳（メタデータ） (2021-10-05T19:14:46Z) - A Computer-Aided Diagnosis System for Breast Pathology: A Deep Learning
Approach with Model Interpretability from Pathological Perspective [6.583997407109283]
深層学習による病変検出と分類のためのコンピュータ支援診断システム(CAD)を開発した。
本研究では, 畳み込みニューラルネットワーク(CNN)の分類において, 深い特徴が示され, 包括的解釈が可能となった。
論文 参考訳（メタデータ） (2021-08-05T14:43:59Z) - Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。
本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文 参考訳（メタデータ） (2020-11-22T17:31:23Z) - Hierarchical Classification of Pulmonary Lesions: A Large-Scale
Radio-Pathomics Study [38.78350161086617]
CTによる肺病変の診断は重要であるが,肺癌関連疾患の臨床的判断には困難である。
深層学習は肺がんに対するコンピュータ支援診断 (CADx) 領域において大きな成功を収めているが, 放射線診断の困難さからラベルの曖昧さに悩まされている。
本研究は, 侵襲的病理解析が肺がん診断の黄金基準となっていることを考慮し, 大規模放射線病的データセットを用いてラベルあいまいさを解消する。
この振り返りデータセットはPentral-RadPathと呼ばれ、高精度なディープラーニングシステムの開発と検証により、非侵襲的な病理組織ラベルを予測できる。
論文 参考訳（メタデータ） (2020-10-08T15:14:34Z) - Selecting Regions of Interest in Large Multi-Scale Images for Cancer
Pathology [0.0]
顕微鏡スライドの高解像度スキャンは、がん病理学者が、複数のスケールと解像度でスライド画像内の特徴の測定に基づいて、がんの存在、サブタイプ、および重症度に関する結論に達するのに十分な情報を提供する。
肝癌,肝細胞癌 (HCC) と胆管癌 (CC) の2種類の1種を含む肝病理組織スライドにおいて,WSIを段階的に拡大して興味領域(ROI)を検出するための強化学習とビームサーチに基づくアプローチを検討する。
これらのROIは病理医に直接提示され、測定と診断を助けるか、または使用される。
論文 参考訳（メタデータ） (2020-07-03T15:27:41Z) - 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。