論文の概要: End-to-end Learning for Image-based Detection of Molecular Alterations
in Digital Pathology
- arxiv url: http://arxiv.org/abs/2207.00095v1
- Date: Thu, 30 Jun 2022 20:30:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-04 14:53:20.270313
- Title: End-to-end Learning for Image-based Detection of Molecular Alterations
in Digital Pathology
- Title(参考訳): デジタル病理における画像に基づく分子変化検出のためのエンドツーエンド学習
- Authors: Marvin Teichmann, Andre Aichert, Hanibal Bohnenberger, Philipp
Str\"obel, Tobias Heimann
- Abstract要約: デジタル病理学におけるスライド画像全体(WSI)の分類への現在のアプローチは、主に2段階学習パイプラインを利用している。
このようなアプローチの大きな欠点は、臨床ルーチンで取得されていないタスク固有の補助ラベルの要件である。
本稿では,WSI分類のための新しい学習パイプラインを提案する。
- 参考スコア(独自算出の注目度): 1.916179040410189
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Current approaches for classification of whole slide images (WSI) in digital
pathology predominantly utilize a two-stage learning pipeline. The first stage
identifies areas of interest (e.g. tumor tissue), while the second stage
processes cropped tiles from these areas in a supervised fashion. During
inference, a large number of tiles are combined into a unified prediction for
the entire slide. A major drawback of such approaches is the requirement for
task-specific auxiliary labels which are not acquired in clinical routine. We
propose a novel learning pipeline for WSI classification that is trainable
end-to-end and does not require any auxiliary annotations. We apply our
approach to predict molecular alterations for a number of different use-cases,
including detection of microsatellite instability in colorectal tumors and
prediction of specific mutations for colon, lung, and breast cancer cases from
The Cancer Genome Atlas. Results reach AUC scores of up to 94% and are shown to
be competitive with state of the art two-stage pipelines. We believe our
approach can facilitate future research in digital pathology and contribute to
solve a large range of problems around the prediction of cancer phenotypes,
hopefully enabling personalized therapies for more patients in future.
- Abstract(参考訳): デジタル病理学における全スライド画像(wsi)の分類手法は, 主に2段階学習パイプラインを用いている。
第1段階は興味のある領域(例えば腫瘍組織)を特定し、第2段階はこれらの領域から採取したタイルを監督的に処理する。
推測中、多数のタイルが結合され、スライド全体の統一的な予測が行われる。
このようなアプローチの大きな欠点は、臨床ルーチンで取得されないタスク固有の補助ラベルの必要性である。
本稿では,wsi分類のための新しい学習パイプラインを提案する。
大腸腫瘍におけるマイクロサテライト不安定性の検出や,The Cancer Genome Atlasによる大腸癌,肺がん,乳癌の遺伝子変異の予測など,さまざまなユースケースにおける分子変異の予測に本手法を適用した。
その結果、AUCのスコアは最大94%に達し、最先端の2段階パイプラインと競合することが示されている。
われわれのアプローチは,今後のデジタル病理研究の促進に寄与し,がんの表現型予測に関する幅広い課題を解決し,今後より多くの患者にパーソナライズされた治療を可能にすることが期待できる。
関連論文リスト
- A transductive few-shot learning approach for classification of digital
histopathological slides from liver cancer [0.0]
本論文は,2次元病理組織パッチの分類法として,少数ショット学習を用いた新しいアプローチを提案する。
病理組織学スライドにスライディングウインドウ手法を適用することにより,トランスダクティブラーニングの実践的メリットを解説する。
論文 参考訳(メタデータ) (2023-11-29T15:44:00Z) - 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) - 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) - Metastatic Cancer Outcome Prediction with Injective Multiple Instance
Pooling [1.0965065178451103]
我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。
結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。
本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
論文 参考訳(メタデータ) (2022-03-09T16:58:03Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳(メタデータ) (2021-12-20T13:29:13Z) - 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) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - Self-transfer learning via patches: A prostate cancer triage approach
based on bi-parametric MRI [1.3934382972253603]
前立腺癌(PCa)は世界で2番目に多いがんである。
現在のPCa診断経路は、かなりの過剰診断のコストがかかり、不必要な治療とさらなる検査に繋がる。
臨床的に有意な (cS) 病変と非有意な (ncS) 病変を区別するためのパッチベースの事前訓練戦略を提案する。
論文 参考訳(メタデータ) (2021-07-22T17:02:38Z) - A Novel Self-Learning Framework for Bladder Cancer Grading Using
Histopathological Images [1.244681179922733]
組織像から膀胱癌を診断するための自己学習の枠組みについて検討した。
組織学的パッチを病のさまざまなレベルに分類できる新しいDeep Convolutional Embedded Attention Clustering (DCEAC)を提案する。
論文 参考訳(メタデータ) (2021-06-25T11:04:04Z) - On segmentation of pectoralis muscle in digital mammograms by means of
deep learning [1.7114784273243784]
本稿では,データ駆動予測とグラフベース画像処理を組み合わせた2段階のセグメンテーション戦略を提案する。
提案手法では,乳房-胸部境界の位置を予測するために,畳み込みニューラルネットワーク(CNN)を用いる。
比較分析の結果,最先端技術よりも大幅に改善され,モデルフリーで完全自動処理が可能となった。
論文 参考訳(メタデータ) (2020-08-29T03:38:11Z) - 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。