論文の概要: Deep Learning-Based Sparse Whole-Slide Image Analysis for the Diagnosis
of Gastric Intestinal Metaplasia
- arxiv url: http://arxiv.org/abs/2201.01449v1
- Date: Wed, 5 Jan 2022 04:43:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-06 14:25:26.370948
- Title: Deep Learning-Based Sparse Whole-Slide Image Analysis for the Diagnosis
of Gastric Intestinal Metaplasia
- Title（参考訳）: 胃腸異形成症診断のための深層学習に基づくスライス全スライド画像解析
- Authors: Jon Braatz, Pranav Rajpurkar, Stephanie Zhang, Andrew Y. Ng, Jeanne
Shen
- Abstract要約: 本稿では,WSIレベル分類のための高出力ROIの迅速同定のためのスパースWSI解析手法を提案する。
本手法は胃粘膜異形成(GIM)をヘマトキシリンおよびエオシンスライド上で診断し,病理組織学的に有用であるが時間を要する課題について検討した。
提案手法は, 受信機動作特性曲線(AUC)が0.98, 平均精度(AP)が0.95のWSIレベルの分類領域を持つ全正のWSIにおいて, GIMの検出に成功している。
- 参考スコア（独自算出の注目度）: 5.64692772904991
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, deep learning has successfully been applied to automate a
wide variety of tasks in diagnostic histopathology. However, fast and reliable
localization of small-scale regions-of-interest (ROI) has remained a key
challenge, as discriminative morphologic features often occupy only a small
fraction of a gigapixel-scale whole-slide image (WSI). In this paper, we
propose a sparse WSI analysis method for the rapid identification of high-power
ROI for WSI-level classification. We develop an evaluation framework inspired
by the early classification literature, in order to quantify the tradeoff
between diagnostic performance and inference time for sparse analytic
approaches. We test our method on a common but time-consuming task in pathology
- that of diagnosing gastric intestinal metaplasia (GIM) on hematoxylin and
eosin (H&E)-stained slides from endoscopic biopsy specimens. GIM is a
well-known precursor lesion along the pathway to development of gastric cancer.
We performed a thorough evaluation of the performance and inference time of our
approach on a test set of GIM-positive and GIM-negative WSI, finding that our
method successfully detects GIM in all positive WSI, with a WSI-level
classification area under the receiver operating characteristic curve (AUC) of
0.98 and an average precision (AP) of 0.95. Furthermore, we show that our
method can attain these metrics in under one minute on a standard CPU. Our
results are applicable toward the goal of developing neural networks that can
easily be deployed in clinical settings to support pathologists in quickly
localizing and diagnosing small-scale morphologic features in WSI.
- Abstract（参考訳）: 近年,診断病理学における多種多様なタスクの自動化にディープラーニングが応用されている。
しかし、小型領域(ROI)の高速かつ信頼性の高いローカライゼーションは重要な課題であり、識別的形態的特徴がギガピクセル規模の全スライディング画像(WSI)のごく一部を占めることが多い。
本稿では,WSIレベル分類のための高出力ROIの迅速同定のための疎WSI分析手法を提案する。
本研究では, 診断性能と推定時間とのトレードオフを定量化するために, 初期分類文献に触発された評価フレームワークを開発した。
本手法は, 内視鏡的生検標本から, ヘマトキシリンおよびエオシン含有スライド上での胃腸転移 (GIM) の診断法である。
gimは胃癌発生の経路に沿ったよく知られた前駆病変である。
提案手法は, 受信動作特性曲線(AUC)0.98, 平均精度(AP)0.95のWSIレベルの分類領域を有する全正のWSIにおいて, GIM検出に成功していることがわかった。
さらに,本手法は標準CPU上で1分以内で測定値が得られることを示す。
以上より,wsiの小型形態学的特徴の早期発見と診断を支援するために,臨床設定に容易に展開可能なニューラルネットワークの開発を目標とする。
関連論文リスト
- Towards a Comprehensive Benchmark for Pathological Lymph Node Metastasis in Breast Cancer Sections [21.75452517154339]
我々は1,399枚のスライド画像(WSI)と、Camelyon-16とCamelyon-17データセットのラベルを再処理した。
再発腫瘍領域の大きさから,2重複癌検診を4段階に改善した。
論文 参考訳（メタデータ） (2024-11-16T09:19:24Z) - TopOC: Topological Deep Learning for Ovarian and Breast Cancer Diagnosis [3.262230127283452]
トポロジカルデータ分析は、異なる色チャネルにわたるトポロジカルパターンの評価を通じて重要な情報を抽出することで、ユニークなアプローチを提供する。
卵巣癌と乳癌では, トポロジカルな特徴を取り入れることで, 腫瘍型の分化が著しく向上することが示唆された。
論文 参考訳（メタデータ） (2024-10-13T12:24:13Z) - Now and Future of Artificial Intelligence-based Signet Ring Cell
Diagnosis: A Survey [24.605310211285392]
署名環細胞(SRC)は、高い末梢転移率と遠位体生存に関連している。
深層学習は、診断効率と精度を改善するために病理学者を支援するために注目を集めている。
本稿では,2008年から2023年8月までのディープラーニングによるSRC分析に関する調査を行う。
論文 参考訳（メタデータ） (2023-11-16T09:20:43Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳（メタデータ） (2023-03-02T15:18:58Z) - 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) - RLogist: Fast Observation Strategy on Whole-slide Images with Deep
Reinforcement Learning [15.955265218706467]
計算病理学における全スライディング画像(WSI)は、高解像度でギガピクセルサイズを持つが、一般的には少ない関心領域を持つ。
我々は,WSI 上での高速観測戦略のための深層強化学習 (DRL) 手法である RLogist を開発した。
論文 参考訳（メタデータ） (2022-12-04T04:03:34Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - 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) - OncoPetNet: A Deep Learning based AI system for mitotic figure counting
on H&E stained whole slide digital images in a large veterinary diagnostic
lab setting [47.38796928990688]
OncoPetNetの開発において,複数の最先端ディープラーニング技術を用いて病理組織像分類と有糸体像検出を行った。
提案システムは,14種類の癌に対して,ヒトのエキスパートベースラインと比較して,41例の有糸分裂計数性能を有意に向上させた。
デプロイでは、2つのセンターで1日3,323枚のデジタル全スライド画像を処理する高スループット獣医診断サービスにおいて、効果的な0.27分/スライダー推論が達成された。
論文 参考訳（メタデータ） (2021-08-17T20:01:33Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - 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。