論文の概要: A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology

• arxiv url: http://arxiv.org/abs/2209.13408v1
• Date: Tue, 27 Sep 2022 14:08:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 15:16:18.279910
• Title: A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology
• Title（参考訳）: 病理組織学における前立腺の分類のための病理情報ワークフロー
• Authors: Alessandro Ferrero, Beatrice Knudsen, Deepika Sirohi, Ross Whitaker
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 62.997667081978825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathologists diagnose and grade prostate cancer by examining tissue from needle biopsies on glass slides. The cancer's severity and risk of metastasis are determined by the Gleason grade, a score based on the organization and morphology of prostate cancer glands. For diagnostic work-up, pathologists first locate glands in the whole biopsy core, and -- if they detect cancer -- they assign a Gleason grade. This time-consuming process is subject to errors and significant inter-observer variability, despite strict diagnostic criteria. This paper proposes an automated workflow that follows pathologists' \textit{modus operandi}, isolating and classifying multi-scale patches of individual glands in whole slide images (WSI) of biopsy tissues using distinct steps: (1) two fully convolutional networks segment epithelium versus stroma and gland boundaries, respectively; (2) a classifier network separates benign from cancer glands at high magnification; and (3) an additional classifier predicts the grade of each cancer gland at low magnification. Altogether, this process provides a gland-specific approach for prostate cancer grading that we compare against other machine-learning-based grading methods.
• Abstract（参考訳）: 病理学者は、ガラススライド上の針生検から組織を調べることで前立腺癌の診断と診断を行う。 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。 診断作業のために、病理学者はまず、生検コア全体の腺を見つけ、がんを検出するとグリーソングレードを割り当てる。 この時間を要するプロセスは、厳格な診断基準にもかかわらず、エラーとサーバ間の大きなばらつきが伴う。 This paper proposes an automated workflow that follows pathologists' \textit{modus operandi}, isolating and classifying multi-scale patches of individual glands in whole slide images (WSI) of biopsy tissues using distinct steps: (1) two fully convolutional networks segment epithelium versus stroma and gland boundaries, respectively; (2) a classifier network separates benign from cancer glands at high magnification; and (3) an additional classifier predicts the grade of each cancer gland at low magnification. このプロセスは、他の機械学習ベースのグレーティング手法と比較して、前立腺がんのグレーディングに腺特異的なアプローチを提供する。

関連論文リスト

• NMGrad: Advancing Histopathological Bladder Cancer Grading with Weakly Supervised Deep Learning [1.3911081328487294]
  組織学的スライスを用いた膀胱癌評価のためのパイプラインを提案する。 異なる倍率レベルでウロテリウム組織タイルを抽出し、特徴抽出のために畳み込みニューラルネットワークを用いて処理する。 グレードの予測に注意を払って、ネストされた複数のインスタンス学習アプローチを採用している。
  論文  参考訳（メタデータ） (2024-05-24T07:02:39Z)
• Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
  胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。 本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
  論文  参考訳（メタデータ） (2022-02-17T08:33:52Z)
• Bridging the gap between prostate radiology and pathology through machine learning [2.090877308669147]
  病理組織学的診断法として, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法の比較を行った。 これらのラベルがトレーニングされた機械学習モデルの性能に与える影響を分析する。
  論文  参考訳（メタデータ） (2021-12-03T21:38:20Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Prostate Tissue Grading with Deep Quantum Measurement Ordinal Regression [0.0]
  Gleason score (GS) システムは前立腺癌を分類する標準的な方法である。 病理学者は前立腺の癌細胞の配列を調べ、6から10の範囲のスケールでスコアを割り当てます。 本稿では,前立腺WSIからGSを推定できる確率論的深層学習順序分類法を提案する。
  論文  参考訳（メタデータ） (2021-03-04T17:52:00Z)
• Development and Evaluation of a Deep Neural Network for Histologic Classification of Renal Cell Carcinoma on Biopsy and Surgical Resection Slides [1.586625608934987]
  我々は,デジタル化された外科切除スライドと生検スライドを正確に分類できるディープニューラルネットワークモデルを開発した。 以上の結果から,異なるデータソースと標本タイプにまたがるアプローチの一般化可能性が高いことが示唆された。
  論文  参考訳（メタデータ） (2020-10-30T17:20:49Z)
• 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)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。