論文の概要: Bridging the gap between prostate radiology and pathology through machine learning

• arxiv url: http://arxiv.org/abs/2112.02164v1
• Date: Fri, 3 Dec 2021 21:38:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-11 06:34:10.583687
• Title: Bridging the gap between prostate radiology and pathology through machine learning
• Title（参考訳）: 機械学習による前立腺x線学と病理学のギャップの橋渡し
• Authors: Indrani Bhattacharya, David S. Lim, Han Lin Aung, Xingchen Liu, Arun Seetharaman, Christian A. Kunder, Wei Shao, Simon J. C. Soerensen, Richard E. Fan, Pejman Ghanouni, Katherine J. To'o, James D. Brooks, Geoffrey A. Sonn, Mirabela Rusu
• Abstract要約: 病理組織学的診断法として, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法の比較を行った。 これらのラベルがトレーニングされた機械学習モデルの性能に与える影響を分析する。
• 参考スコア（独自算出の注目度）: 2.090877308669147
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prostate cancer is the second deadliest cancer for American men. While Magnetic Resonance Imaging (MRI) is increasingly used to guide targeted biopsies for prostate cancer diagnosis, its utility remains limited due to high rates of false positives and false negatives as well as low inter-reader agreements. Machine learning methods to detect and localize cancer on prostate MRI can help standardize radiologist interpretations. However, existing machine learning methods vary not only in model architecture, but also in the ground truth labeling strategies used for model training. In this study, we compare different labeling strategies, namely, pathology-confirmed radiologist labels, pathologist labels on whole-mount histopathology images, and lesion-level and pixel-level digital pathologist labels (previously validated deep learning algorithm on histopathology images to predict pixel-level Gleason patterns) on whole-mount histopathology images. We analyse the effects these labels have on the performance of the trained machine learning models. Our experiments show that (1) radiologist labels and models trained with them can miss cancers, or underestimate cancer extent, (2) digital pathologist labels and models trained with them have high concordance with pathologist labels, and (3) models trained with digital pathologist labels achieve the best performance in prostate cancer detection in two different cohorts with different disease distributions, irrespective of the model architecture used. Digital pathologist labels can reduce challenges associated with human annotations, including labor, time, inter- and intra-reader variability, and can help bridge the gap between prostate radiology and pathology by enabling the training of reliable machine learning models to detect and localize prostate cancer on MRI.
• Abstract（参考訳）: 前立腺がんはアメリカ人男性にとって2番目に致命的ながんである。 磁気共鳴イメージング(MRI)は前立腺がんの診断に標的となる生検を誘導するために用いられることが多いが、偽陽性や偽陰性の増加や、読取者間の合意の低さにより、その有用性は限られている。 前立腺MRIでがんを検出し、局所化する機械学習手法は、放射線学の解釈の標準化に役立つ。 しかしながら、既存の機械学習手法は、モデルアーキテクチャだけでなく、モデルトレーニングに使用される根拠真理ラベル付け戦略でも異なる。 本研究では,病理診断された放射線科医ラベル,全山病理画像の病理学ラベル,病変レベルおよび画素レベルデジタル病理学ラベル(先述の病理学画像のディープラーニングアルゴリズムによる画素レベルグリーソンパターンの予測)を全山病理画像で比較した。 これらのラベルがトレーニングされた機械学習モデルの性能に与える影響を分析する。 実験の結果,(1) 放射線技師のラベルやモデルが癌を見逃したり,過小評価したり,(2) デジタル病理医のラベルやモデルが病理医のラベルと高い一致を示したり,(3) 前立腺がんの診断で訓練されたモデルが,異なる疾患分布をもつ2つのコホートで最高の成績を示した。 デジタル病理学者ラベルは、人的アノテーションに関連する困難を軽減し、mri上の前立腺がんの検出とローカライズを可能にすることで、前立腺x線学と病理学の間のギャップを埋めることができる。

関連論文リスト

• BreastRegNet: A Deep Learning Framework for Registration of Breast Faxitron and Histopathology Images [0.05454343470301196]
  本研究では,モノモーダル合成画像対に基づいて学習した深層学習に基づく画像登録手法を提案する。 モデルは、ネオアジュバント化学療法を受け、手術を受けた50人の女性のデータを用いて訓練された。
  論文  参考訳（メタデータ） (2024-01-18T08:23:29Z)
• MultiNet with Transformers: A Model for Cancer Diagnosis Using Images [8.686667049158476]
  医用画像のマルチクラス分類のための独自のディープニューラルネットワーク設計を提供する。 データ収集機能を活用し,より正確な分類を行うために,トランスフォーマーをマルチクラスフレームワークに組み込んだ。
  論文  参考訳（メタデータ） (2023-01-21T20:53:57Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• 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)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• 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)
• CorrSigNet: Learning CORRelated Prostate Cancer SIGnatures from Radiology and Pathology Images for Improved Computer Aided Diagnosis [1.63324350193061]
  我々はMRIで前立腺癌を局所化する2段階自動モデルであるCorrSigNetを提案する。 まず,病理組織学的特徴と相関するがんのMRI所見を学習する。 第二に、このモデルは、学習した相関MRI機能を使用して、前立腺がんの局所化のために畳み込みニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-07-31T23:44:25Z)
• Detection of prostate cancer in whole-slide images through end-to-end training with image-level labels [8.851215922158753]
  本稿では,4712前立腺生検において,2100万のパラメータを終端とする最新のCNN(ResNet-34)をトレーニングするために,畳み込み層のストリーミング実装を提案する。 この方法では、GPUメモリの要求を2.4TB削減することで、バイオプシー画像全体を高解像度で直接使用することができる。
  論文  参考訳（メタデータ） (2020-06-05T12:11:35Z)
• Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
  前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。 コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。 この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
  論文  参考訳（メタデータ） (2020-05-22T19:49:10Z)

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。