Fugu-MT 論文翻訳(概要): A deep learning pipeline for breast cancer ki-67 proliferation index scoring

論文の概要: A deep learning pipeline for breast cancer ki-67 proliferation index scoring

arxiv url: http://arxiv.org/abs/2203.07452v1
Date: Mon, 14 Mar 2022 19:13:06 GMT
ステータス: 処理完了
システム内更新日: 2022-03-16 15:42:37.931595
Title: A deep learning pipeline for breast cancer ki-67 proliferation index scoring
Title（参考訳）: 乳癌Ki-67増殖指数スコアのための深層学習パイプライン
Authors: Khaled Benaggoune, Zeina Al Masry, Jian Ma, Christine Devalland, L.H Mouss and Noureddine Zerhouni
Abstract要約: Ki-67の増殖指数は、病理学者が適切な治療法を診断し選択するのに役立つ重要なバイオマーカーである。本稿では,Ki-67の正確な自動カウントのための統合パイプラインを提案する。
参考スコア（独自算出の注目度）: 1.4543168464284166
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The Ki-67 proliferation index is an essential biomarker that helps pathologists to diagnose and select appropriate treatments. However, automatic evaluation of Ki-67 is difficult due to nuclei overlapping and complex variations in their properties. This paper proposes an integrated pipeline for accurate automatic counting of Ki-67, where the impact of nuclei separation techniques is highlighted. First, semantic segmentation is performed by combining the Squeez and Excitation Resnet and Unet algorithms to extract nuclei from the background. The extracted nuclei are then divided into overlapped and non-overlapped regions based on eight geometric and statistical features. A marker-based Watershed algorithm is subsequently proposed and applied only to the overlapped regions to separate nuclei. Finally, deep features are extracted from each nucleus patch using Resnet18 and classified into positive or negative by a random forest classifier. The proposed pipeline's performance is validated on a dataset from the Department of Pathology at H\^opital Nord Franche-Comt\'e hospital.
Abstract（参考訳）: Ki-67の増殖指数は、病理学者が適切な治療法を診断し選択するのに役立つ重要なバイオマーカーである。しかし,ki-67の自動評価は核重なりと複雑な性質変化のため困難である。本稿では,Ki-67の正確な自動カウントのための集積パイプラインを提案し,核分離技術の影響を強調した。まず、SqueezとExcitation ResnetとUnetのアルゴリズムを組み合わせてセマンティックセグメンテーションを行い、背景から核を抽出する。抽出された核は8つの幾何学的特徴と統計的特徴に基づいて重なり合う領域と非重なり合う領域に分けられる。その後、マーカーベースの流域アルゴリズムが提案され、重なり合う領域のみに適用して核を分離する。最後に、Resnet18を用いて各核パッチから深い特徴を抽出し、ランダム森林分類器により正または負に分類される。提案したパイプラインの性能は、H\^opital Nord Franche-Comt\'e病院の病理学部門のデータセットで検証されている。

関連論文リスト

Prompt-based Grouping Transformer for Nucleus Detection and Classification [70.55961378096116]
核の検出と分類は、疾患の診断に有効な情報を生み出す。既存のほとんどの手法は、核を独立に分類するか、核とそのグループの特徴の間の意味的類似性を十分に利用しない。グループ変換器をベースとした新しいエンドツーエンドの原子核検出・分類フレームワークを提案する。
論文参考訳（メタデータ） (2023-10-22T04:50:48Z)
Enhancing Nucleus Segmentation with HARU-Net: A Hybrid Attention Based Residual U-Blocks Network [9.718765096478371]
核分割の現在の手法は、核形態学や輪郭に基づくアプローチに依存している。本稿では,ハイブリッドアテンションに基づく残差Uブロックを用いたデュアルブランチネットワークを提案する。ネットワーク内において,ネットワークからコンテキスト情報を効果的に抽出し,マージするコンテキスト融合ブロック(CF-block)を提案する。
論文参考訳（メタデータ） (2023-08-07T08:03:20Z)
Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。提案手法はラベル集約段階において手作業によるアノテーションに依存しない。我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文参考訳（メタデータ） (2023-07-25T09:48:13Z)
White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文参考訳（メタデータ） (2022-07-06T02:03:28Z)
PointNu-Net: Keypoint-assisted Convolutional Neural Network for Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
論文参考訳（メタデータ） (2021-11-01T08:29:40Z)
Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文参考訳（メタデータ） (2021-10-19T00:03:57Z)
Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images [65.47507533905188]
重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
論文参考訳（メタデータ） (2021-09-30T17:29:44Z)
PathoNet: Deep learning assisted evaluation of Ki-67 and tumor infiltrating lymphocytes (TILs) as prognostic factors in breast cancer; A large dataset and baseline [2.4378845585726903]
そこで我々は,Ki-67免疫染色細胞検出・分類のための新しいパイプラインとバックエンド,PathoNetを導入する。課題に直面しながらも、提案するバックエンドであるPathoNetは、ハーモニック平均値で現在提案されている技術手法の状態を上回ります。
論文参考訳（メタデータ） (2020-10-09T17:55:52Z)
Deep Cerebellar Nuclei Segmentation via Semi-Supervised Deep Context-Aware Learning from 7T Diffusion MRI [10.706353524285346]
深部小脳核は、運動や感覚情報を処理する小脳の重要な構造である。標準的な臨床磁気共鳴イメージング(MRI)プロトコルの下で、そのような小さな核をはっきりと可視化することは困難である。 7 Tesla (T) MRI技術の最近の進歩とディープニューラルネットワークの可能性は、自動的に患者固有のセグメンテーションを促進する。 7T拡散MRIにおける深部小脳歯状突起と介在核の高速・高精度・堅牢な患者特異的セグメンテーションのための新しい深部学習フレームワーク(DCN-Net)を提案する。
論文参考訳（メタデータ） (2020-04-21T07:30:07Z)
Cascaded Context Enhancement Network for Automatic Skin Lesion Segmentation [10.648218637920035]
自動皮膚病変分割のためのカスケードコンテキスト拡張ニューラルネットワークを定式化する。ゲートベースの情報統合アプローチを用いた新しいコンテキストアグリゲーションモジュールを提案する。 4つの皮膚皮膚内視鏡画像データセットに対するアプローチについて検討した。
論文参考訳（メタデータ） (2020-04-17T08:25:17Z)
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。