論文の概要: Correlated Feature Aggregation by Region Helps Distinguish Aggressive
from Indolent Clear Cell Renal Cell Carcinoma Subtypes on CT
- arxiv url: http://arxiv.org/abs/2209.14657v1
- Date: Thu, 29 Sep 2022 09:39:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 18:07:04.500651
- Title: Correlated Feature Aggregation by Region Helps Distinguish Aggressive
from Indolent Clear Cell Renal Cell Carcinoma Subtypes on CT
- Title(参考訳): 若年性クリア細胞腎細胞癌細胞株の鑑別を補助する領域による関連性集積
- Authors: Karin Stacke, Indrani Bhattacharya, Justin R. Tse, James D. Brooks,
Geoffrey A. Sonn, Mirabela Rusu
- Abstract要約: 腎細胞癌(英: Renal cell carcinoma, RCC)は、臨床行動が異なるがんである。
CT画像に対する攻撃性の決定は、リスク階層化と治療計画を容易にするために臨床的に重要である。
本研究の目的は, 病理像の特徴と相関する放射線学的特徴を機械学習で同定し, 病理像ではなくCT画像上でのがん攻撃性の評価を容易にすることである。
- 参考スコア(独自算出の注目度): 1.455251203143627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Renal cell carcinoma (RCC) is a common cancer that varies in clinical
behavior. Indolent RCC is often low-grade without necrosis and can be monitored
without treatment. Aggressive RCC is often high-grade and can cause metastasis
and death if not promptly detected and treated. While most kidney cancers are
detected on CT scans, grading is based on histology from invasive biopsy or
surgery. Determining aggressiveness on CT images is clinically important as it
facilitates risk stratification and treatment planning. This study aims to use
machine learning methods to identify radiology features that correlate with
features on pathology to facilitate assessment of cancer aggressiveness on CT
images instead of histology. This paper presents a novel automated method,
Correlated Feature Aggregation By Region (CorrFABR), for classifying
aggressiveness of clear cell RCC by leveraging correlations between radiology
and corresponding unaligned pathology images. CorrFABR consists of three main
steps: (1) Feature Aggregation where region-level features are extracted from
radiology and pathology images, (2) Fusion where radiology features correlated
with pathology features are learned on a region level, and (3) Prediction where
the learned correlated features are used to distinguish aggressive from
indolent clear cell RCC using CT alone as input. Thus, during training,
CorrFABR learns from both radiology and pathology images, but during inference,
CorrFABR will distinguish aggressive from indolent clear cell RCC using CT
alone, in the absence of pathology images. CorrFABR improved classification
performance over radiology features alone, with an increase in binary
classification F1-score from 0.68 (0.04) to 0.73 (0.03). This demonstrates the
potential of incorporating pathology disease characteristics for improved
classification of aggressiveness of clear cell RCC on CT images.
- Abstract(参考訳): 腎細胞癌(英: Renal cell carcinoma, RCC)は、臨床行動が異なるがんである。
若年性RCCは壊死を伴わない場合が多く、治療なしで監視できる。
攻撃性RCCは、しばしば高品位であり、迅速な検出と治療がなければ、転移と死を引き起こすことがある。
ほとんどの腎臓がんはctスキャンで検出されるが、グレーディングは侵襲的生検または手術の組織学に基づいている。
CT画像に対する攻撃性の決定は、リスク階層化と治療計画を容易にするために臨床的に重要である。
本研究の目的は, 病理像の特徴と相関する放射線学的特徴を機械学習で同定し, 病理像ではなくCT画像上でのがん攻撃性の評価を容易にすることである。
本稿では,放射線学とそれに対応する非整合病理画像との相関を利用して,クリアセルrccのアグレッシブネスを分類する新しい自動手法corrfabrを提案する。
CorrFABRは,(1) 放射線画像と病理画像から領域レベルの特徴を抽出する特徴集約,(2) 病的特徴と相関する放射線学的特徴を領域レベルで学習する融合,(3) 学習された関連特徴をCTのみを入力として用いた致死的なクリアセルRCCと攻撃的に区別する予測の3段階からなる。
したがって、訓練中、corrfabrは放射線画像と病理画像の両方から学習するが、推論中、corrfabrは、病理画像がない場合、ct単独で攻撃的な透明細胞rccと区別する。
CorrFABRは放射線学の特徴だけで分類性能を改善し、バイナリ分類F1スコアは0.68(0.04)から0.73(0.03)に増加した。
これはct画像上のクリアセルrccの攻撃性の分類を改善するために病理疾患の特徴を組み込む可能性を示す。
関連論文リスト
- Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Meta-information-aware Dual-path Transformer for Differential Diagnosis
of Multi-type Pancreatic Lesions in Multi-phase CT [41.199716328468895]
膵病変の分類と分節の可能性を活用するために, デュアルパストランスフォーマーを開発した。
提案手法は, CNN-based segmentation path (S-path) と Transformer-based classification path (C-path) から構成される。
以上の結果から,膵病変の完全分類の正確な分類と分類が可能であることが示唆された。
論文 参考訳(メタデータ) (2023-03-02T03:34:28Z) - 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) - Radiomics-Guided Global-Local Transformer for Weakly Supervised
Pathology Localization in Chest X-Rays [65.88435151891369]
Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。
RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
論文 参考訳(メタデータ) (2022-07-10T06:32:56Z) - 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) - A Precision Diagnostic Framework of Renal Cell Carcinoma on Whole-Slide
Images using Deep Learning [4.823436898659051]
深層畳み込みニューラルネットワーク(InceptionV3)は、The Cancer Genome Atlasの高品質な注釈付きデータセットに基づいて訓練された。
我々の枠組みは、がん領域の検出や、どのがんタイプにも適用可能なサブタイプやグレードの分類において、病理学者に役立てることができる。
論文 参考訳(メタデータ) (2021-10-26T12:53:25Z) - Histogram of Cell Types: Deep Learning for Automated Bone Marrow
Cytology [3.8385120184415418]
細胞型ヒストグラム(HCT)は骨髄のクラス分布の新規な表現である。
HCTは、血液病理診断に革命をもたらす可能性があり、よりコスト効率が高く、正確な診断をもたらし、正確な医療を行うための扉を開く。
論文 参考訳(メタデータ) (2021-07-05T21:55:00Z) - Multi-scale Deep Learning Architecture for Nucleus Detection in Renal
Cell Carcinoma Microscopy Image [7.437224586066945]
クリアセル腎細胞癌(CCRCC)は、腎癌の研究における腫瘍内異種性の最も一般的な形態の1つです。
本稿では,IHC染色組織像の細胞分類のための深層学習に基づく検出モデルを提案する。
本モデルでは,マルチスケールピラミッドの特徴と局所境界領域からのサリーエンシー情報をマッピングし,回帰によって境界ボックス座標を予測する。
論文 参考訳(メタデータ) (2021-04-28T03:36:02Z) - 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) - Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale
Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。
本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
論文 参考訳(メタデータ) (2020-06-28T19:55:34Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳(メタデータ) (2020-05-08T03:16:15Z)
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。