論文の概要: Application of Graph Based Features in Computer Aided Diagnosis for
Histopathological Image Classification of Gastric Cancer
- arxiv url: http://arxiv.org/abs/2205.08467v1
- Date: Tue, 17 May 2022 16:16:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-18 15:28:44.637321
- Title: Application of Graph Based Features in Computer Aided Diagnosis for
Histopathological Image Classification of Gastric Cancer
- Title（参考訳）: 胃癌の病理組織像分類におけるコンピュータ診断におけるグラフの特徴の応用
- Authors: Haiqing Zhang, Chen Li, Shiliang Ai, Haoyuan Chen, Yuchao Zheng, Yixin
Li, Xiaoyan Li, Hongzan Sun, Xinyu Huang, Marcin Grzegorzek
- Abstract要約: 胃癌の病理組織学的画像解析にグラフベースの特徴が応用される。
U-Netを用いて組織領域を分割し、グラフベースの特徴を抽出し、最終的にRBF SVM分類器を使用することで94.29%の最適結果が得られることがわかった。
- 参考スコア（独自算出の注目度）: 7.607669435880715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The gold standard for gastric cancer detection is gastric histopathological
image analysis, but there are certain drawbacks in the existing
histopathological detection and diagnosis. In this paper, based on the study of
computer aided diagnosis system, graph based features are applied to gastric
cancer histopathology microscopic image analysis, and a classifier is used to
classify gastric cancer cells from benign cells. Firstly, image segmentation is
performed, and after finding the region, cell nuclei are extracted using the
k-means method, the minimum spanning tree (MST) is drawn, and graph based
features of the MST are extracted. The graph based features are then put into
the classifier for classification. In this study, different segmentation
methods are compared in the tissue segmentation stage, among which are
Level-Set, Otsu thresholding, watershed, SegNet, U-Net and Trans-U-Net
segmentation; Graph based features, Red, Green, Blue features, Grey-Level
Co-occurrence Matrix features, Histograms of Oriented Gradient features and
Local Binary Patterns features are compared in the feature extraction stage;
Radial Basis Function (RBF) Support Vector Machine (SVM), Linear SVM,
Artificial Neural Network, Random Forests, k-NearestNeighbor, VGG16, and
Inception-V3 are compared in the classifier stage. It is found that using U-Net
to segment tissue areas, then extracting graph based features, and finally
using RBF SVM classifier gives the optimal results with 94.29%.
- Abstract（参考訳）: 胃癌検出のゴールドスタンダードは病理組織学的画像解析であるが、既存の病理組織学的検出と診断には欠点がある。
本稿では,コンピュータ支援診断システムの研究に基づいて,胃癌の病理組織学的画像解析にグラフベースの特徴を適用し,良性細胞から胃癌細胞を分類するために分類器を用いる。
まず、画像セグメンテーションを行い、その領域を見つけた後、k平均法を用いて細胞核を抽出し、最小スパンニングツリー(MST)を描画し、MSTのグラフベースの特徴を抽出する。
グラフベースの機能は分類のための分類器に入れられる。
In this study, different segmentation methods are compared in the tissue segmentation stage, among which are Level-Set, Otsu thresholding, watershed, SegNet, U-Net and Trans-U-Net segmentation; Graph based features, Red, Green, Blue features, Grey-Level Co-occurrence Matrix features, Histograms of Oriented Gradient features and Local Binary Patterns features are compared in the feature extraction stage; Radial Basis Function (RBF) Support Vector Machine (SVM), Linear SVM, Artificial Neural Network, Random Forests, k-NearestNeighbor, VGG16, and Inception-V3 are compared in the classifier stage.
U-Netを用いて組織領域を分割し、グラフベースの特徴を抽出し、最終的にRBF SVM分類器を使用することで94.29%の最適結果が得られることがわかった。
関連論文リスト
- GRU-Net: Gaussian Attention Aided Dense Skip Connection Based MultiResUNet for Breast Histopathology Image Segmentation [24.85210810502592]
本稿では病理組織像分割のためのMultiResU-Netの修正版を提案する。
複雑な機能を複数のスケールで分析し、セグメント化できるため、バックボーンとして選択される。
乳がんの病理組織像データセットの多様性について検討した。
論文 参考訳（メタデータ） (2024-06-12T19:17:17Z) - Explainable and Position-Aware Learning in Digital Pathology [0.0]
本研究は, 位置埋め込みとグラフアテンションを用いて, WSIsからがんの分類を行う。
提案手法とがん診断, グレーディングにおける先行手法との比較により, 性能改善が確認できた。
WSIsにおける癌領域の同定は、がん診断におけるもう一つの重要な課題である。
論文 参考訳（メタデータ） (2023-06-14T01:53:17Z) - Exploring Regions of Interest: Visualizing Histological Image
Classification for Breast Cancer using Deep Learning [0.0]
本研究の目的は、組織像を良性または悪性と分類するための畳み込みニューラルネットワーク(CNN)の関心領域を明らかにすることである。
我々はVGG19アーキテクチャを採用し、Gradient, LRP Z, LRP Epsilonの3つの可視化手法を検証した。
その結果, 画像の可視化には, グラディエント・ビジュアライゼーション法と平均シフト選択法が有効であることがわかった。
論文 参考訳（メタデータ） (2023-05-31T17:33:28Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Learning Hierarchical Graph Representation for Image Manipulation
Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。
最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。
本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文 参考訳（メタデータ） (2022-01-15T01:54:25Z) - 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) - Features based Mammogram Image Classification using Weighted Feature
Support Vector Machine [0.0]
重み付き特徴支援ベクトルマシン(WFSVM)を用いて乳房組織型の自動分類を良性または悪性とみなす。
この分析によると、テクスチャ機能はWFSVMやSVMの他の機能よりも精度が高い。
論文 参考訳（メタデータ） (2020-09-19T21:28:31Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z) - 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。