論文の概要: BRACS: A Dataset for BReAst Carcinoma Subtyping in H&E Histology Images
- arxiv url: http://arxiv.org/abs/2111.04740v1
- Date: Mon, 8 Nov 2021 15:04:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-10 14:39:41.690946
- Title: BRACS: A Dataset for BReAst Carcinoma Subtyping in H&E Histology Images
- Title（参考訳）: BRACS:H&E組織像におけるBRest癌サブタイプのためのデータセット
- Authors: Nadia Brancati, Anna Maria Anniciello, Pushpak Pati, Daniel Riccio,
Giosu\`e Scognamiglio, Guillaume Jaume, Giuseppe De Pietro, Maurizio Di
Bonito, Antonio Foncubierta, Gerardo Botti, Maria Gabrani, Florinda Feroce,
and Maria Frucci
- Abstract要約: BReAst Carcinoma Subtyping dataset, a large cohort of annotated Hematoxylin & Eosin (H&E)-stained image to help the characterized of breast lesions。
BRACSには、WSIsから抽出された547個の全スライド画像(WSI)と4539個の関心領域(ROI)が含まれている。
- 参考スコア（独自算出の注目度）: 4.974822167947921
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Breast cancer is the most commonly diagnosed cancer and registers the highest
number of deaths for women with cancer. Recent advancements in diagnostic
activities combined with large-scale screening policies have significantly
lowered the mortality rates for breast cancer patients. However, the manual
inspection of tissue slides by the pathologists is cumbersome, time-consuming,
and is subject to significant inter- and intra-observer variability. Recently,
the advent of whole-slide scanning systems have empowered the rapid
digitization of pathology slides, and enabled to develop digital workflows.
These advances further enable to leverage Artificial Intelligence (AI) to
assist, automate, and augment pathological diagnosis. But the AI techniques,
especially Deep Learning (DL), require a large amount of high-quality annotated
data to learn from. Constructing such task-specific datasets poses several
challenges, such as, data-acquisition level constrains, time-consuming and
expensive annotations, and anonymization of private information. In this paper,
we introduce the BReAst Carcinoma Subtyping (BRACS) dataset, a large cohort of
annotated Hematoxylin & Eosin (H&E)-stained images to facilitate the
characterization of breast lesions. BRACS contains 547 Whole-Slide Images
(WSIs), and 4539 Regions of Interest (ROIs) extracted from the WSIs. Each WSI,
and respective ROIs, are annotated by the consensus of three board-certified
pathologists into different lesion categories. Specifically, BRACS includes
three lesion types, i.e., benign, malignant and atypical, which are further
subtyped into seven categories. It is, to the best of our knowledge, the
largest annotated dataset for breast cancer subtyping both at WSI- and
ROI-level. Further, by including the understudied atypical lesions, BRACS
offers an unique opportunity for leveraging AI to better understand their
characteristics.
- Abstract（参考訳）: 乳がんは最も一般的に診断されるがんであり、がん患者の死亡件数は最も多い。
近年, 乳がん患者の診断活動と検診方針の併用により, 死亡率を大幅に低下させた。
しかしながら、病理学者による組織スライドの手動検査は煩雑で時間のかかる作業であり、サーバ間およびサーバ内変動が顕著である。
近年,全スライド走査システムの出現により,病理スライドのデジタル化が急速に進み,ディジタルワークフローの開発が可能になった。
これらの進歩により、人工知能(AI)を活用して、病理診断を支援し、自動化し、拡張することができる。
しかし、AI技術、特にディープラーニング(DL)は、そこから学ぶために大量の高品質な注釈付きデータを必要とする。
このようなタスク固有のデータセットの構築には、データ取得レベルの制約、時間消費と高価なアノテーション、プライベート情報の匿名化など、いくつかの課題がある。
本稿では, 乳腺病変の鑑別を容易にするため, Hematoxylin & Eosin (H&E) 染色画像の大きなコホートであるBReAst Carcinoma Subtyping (BRACS) データセットを紹介する。
BRACSには、WSIsから抽出された547個の全スライド画像(WSI)と4539個の関心領域(ROI)が含まれている。
それぞれのWSIおよび各ROIは、3人の診断された病理医の異なる病変分類のコンセンサスによって注釈される。
具体的には、BRACSは、良性、悪性、非定型という3つの病変タイプを含み、さらに7つのカテゴリに分類される。
私たちの知る限りでは、wsiレベルとroiレベルの両方で乳がんをサブタイプする最大の注釈付きデータセットです。
さらに、未調査の非定型病変を含めることで、BRACSはAIを活用してそれらの特性をよりよく理解するユニークな機会を提供する。
関連論文リスト
- Deep BI-RADS Network for Improved Cancer Detection from Mammograms [3.686808512438363]
テキスト型BI-RADS病変記述子と視覚マンモグラムを併用した新しいマルチモーダル手法を提案する。
提案手法は,これらの異なるモダリティを効果的に融合させるために,反復的な注意層を用いる。
CBIS-DDSMデータセットの実験では、すべてのメトリクスで大幅に改善されている。
論文 参考訳（メタデータ） (2024-11-16T21:32:51Z) - Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。
ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。
本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T15:04:42Z) - Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework
for Breast Cancer Detection and Segmentation [48.08423125835335]
MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。
放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
論文 参考訳（メタデータ） (2023-08-27T22:07:42Z) - A Preliminary Investigation into Search and Matching for Tumour
Discrimination in WHO Breast Taxonomy Using Deep Networks [3.3519874057464283]
最先端の深層学習モデルから抽出した深部像を用いて,35種類の腫瘍のWHO乳房分類を解析した。
WHOの乳腺分類データにおけるパッチ類似性検索は、「多数投票」による検証で88%以上の精度に達した。
これらの結果から, 乳房病変と乳房病変の複雑な関係について, 索引付きデジタルアーカイブを用いて検討した。
論文 参考訳（メタデータ） (2023-08-22T03:40:46Z) - 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) - ACROBAT -- a multi-stain breast cancer histological whole-slide-image
data set from routine diagnostics for computational pathology [1.6619031082709266]
ハエマトキシリンおよびエオシン (H&E) を染色したFFPE組織分画の解析は, 外科切除乳癌検体における病理学的評価に欠かせない部分である。
このデータセットは、計算病理学研究の様々な方法を可能にする可能性を秘めている。
論文 参考訳（メタデータ） (2022-11-24T14:16:36Z) - Breast Cancer Classification using Deep Learned Features Boosted with
Handcrafted Features [0.0]
早期発見・分類・診断の枠組みを考えることは,研究コミュニティにとって最も重要である。
本稿では,マンモグラフィーを用いた乳癌の分類のための新しい枠組みを提案する。
提案するフレームワークは,新しい畳み込みニューラルネットワーク(CNN)機能から抽出したロバストな特徴と手作りの機能を組み合わせたものである。
論文 参考訳（メタデータ） (2022-06-26T07:54:09Z) - 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) - 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) - 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) - 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。