Fugu-MT 論文翻訳(概要): Visual attention analysis of pathologists examining whole slide images of Prostate cancer

論文の概要: Visual attention analysis of pathologists examining whole slide images of Prostate cancer

arxiv url: http://arxiv.org/abs/2202.08437v1
Date: Thu, 17 Feb 2022 04:01:43 GMT
ステータス: 処理完了
システム内更新日: 2022-02-19 01:56:58.010376
Title: Visual attention analysis of pathologists examining whole slide images of Prostate cancer
Title（参考訳）: 前立腺癌のスライド画像全体を調べる病理医の視覚的注意分析
Authors: Souradeep Chakraborty, Ke Ma, Rajarsi Gupta, Beatrice Knudsen, Gregory J. Zelinsky, Joel H. Saltz, Dimitris Samaras
Abstract要約: 前立腺癌組織の全スライディング画像(WSI)をデジタル顕微鏡で観察し,病理医の注意を喚起した。 13名の病理医(生殖器専門医5名,一般病理医8名)からスライドナビゲーションデータを収集し,視線熱マップとスキャンパスを作成した。 WSIにおける病理医の注意とがんの証拠との関係を定量化するために, 生殖器専門医から腫瘍のアノテーションを入手した。
参考スコア（独自算出の注目度）: 29.609319636136426
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study the attention of pathologists as they examine whole-slide images (WSIs) of prostate cancer tissue using a digital microscope. To the best of our knowledge, our study is the first to report in detail how pathologists navigate WSIs of prostate cancer as they accumulate information for their diagnoses. We collected slide navigation data (i.e., viewport location, magnification level, and time) from 13 pathologists in 2 groups (5 genitourinary (GU) specialists and 8 general pathologists) and generated visual attention heatmaps and scanpaths. Each pathologist examined five WSIs from the TCGA PRAD dataset, which were selected by a GU pathology specialist. We examined and analyzed the distributions of visual attention for each group of pathologists after each WSI was examined. To quantify the relationship between a pathologist's attention and evidence for cancer in the WSI, we obtained tumor annotations from a genitourinary specialist. We used these annotations to compute the overlap between the distribution of visual attention and annotated tumor region to identify strong correlations. Motivated by this analysis, we trained a deep learning model to predict visual attention on unseen WSIs. We find that the attention heatmaps predicted by our model correlate quite well with the ground truth attention heatmap and tumor annotations on a test set of 17 WSIs by using various spatial and temporal evaluation metrics.
Abstract（参考訳）: 本研究は,前立腺癌組織の全スライディング画像(WSI)をデジタル顕微鏡を用いて検討する。我々の知る限りでは、病理学者が前立腺がんのWSIをどのようにナビゲートし、診断に関する情報を蓄積するかを報告するのは初めてです。本研究は,GU専門医5名と一般病理医8名からなる13名の病理医からスライドナビゲーションデータ(ビューポート位置,拡大レベル,時間)を収集し,視覚的注意熱マップとスキャンパスを生成した。各病理医は、GUの病理専門医が選択したTCGA PRADデータセットから5つのWSIを検査した。 wsi検査後の病理医群における視覚注意の分布について検討・解析した。 WSIにおける病理医の注意とがんの証拠との関係を定量化するために, 生殖器専門医から腫瘍のアノテーションを得た。これらのアノテーションを用いて視覚注意の分布と腫瘍領域との重なりを計算し,強い相関関係を同定した。この分析により,未知のWSIに対する視覚的注意を予測するために,ディープラーニングモデルを訓練した。本モデルによって予測された注意熱マップは, 様々な空間的, 時間的評価指標を用いて17wsisの検査群において, 基底真理注意熱マップや腫瘍注釈と非常によく相関することがわかった。

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)
Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文参考訳（メタデータ） (2024-07-08T11:44:15Z)
Decoding the visual attention of pathologists to reveal their level of expertise [20.552161727506235]
本研究は, がん検診における注意の配分方法に基づいて, 病理医の専門知識を分類する手法を提案する。読み上げ中の病理学者の注意のみに基づいて、我々のモデルは75.3%、56.1%、77.2%の精度で彼らの専門知識のレベルを予測することができた。
論文参考訳（メタデータ） (2024-03-25T23:03:51Z)
Beyond attention: deriving biologically interpretable insights from weakly-supervised multiple-instance learning models [2.639541396835675]
本稿では,高精細エンコーダによるタイルレベルのアテンションと予測スコアを組み合わせたPAWマップを提案する。また, PAWマップと核分割マスクを統合することにより, 生物学的特徴のインスタンス化手法も導入する。本手法により, 予後不良の予知を行う領域は, 腫瘍部位と同一位置にあることが判明した。
論文参考訳（メタデータ） (2023-09-07T09:44:35Z)
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)
Contrastive learning-based computational histopathology predict differential expression of cancer driver genes [13.167222116204226]
HistCodeは、スライド画像全体から差分遺伝子発現を推論する、自己教師付きコントラスト学習フレームワークである。以上の結果から,本手法は腫瘍診断タスクにおける他の最先端モデルよりも優れていた。
論文参考訳（メタデータ） (2022-04-25T23:21:33Z)
MHAttnSurv: Multi-Head Attention for Survival Prediction Using Whole-Slide Pathology Images [4.148207298604488]
腫瘍スライドの様々な部分に焦点を合わせ,WSIからより包括的な情報抽出を行うマルチヘッドアテンションアプローチを開発した。われわれのモデルでは平均Cインデックス0.640を達成し、WSIベースの生存予測のための2つの最先端アプローチを上回りました。
論文参考訳（メタデータ） (2021-10-22T02:18:27Z)
Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
論文参考訳（メタデータ） (2021-02-07T19:12:32Z)
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)
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)
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)

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。