論文の概要: Employing Graph Representations for Cell-level Characterization of Melanoma MELC Samples

• arxiv url: http://arxiv.org/abs/2211.05884v1
• Date: Thu, 10 Nov 2022 21:28:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 15:48:07.527723
• Title: Employing Graph Representations for Cell-level Characterization of Melanoma MELC Samples
• Title（参考訳）: Melanoma MELCサンプルの細胞レベル解析におけるグラフ表現の利用
• Authors: Luis Carlos Rivera Monroy, Leonhard Rist, Martin Eberhardt, Christian Ostalecki, Andreas Baur, Julio Vera, Katharina Breininger, and Andreas Maier
• Abstract要約: 本研究は,Multi-Epitope-Ligand Cartography (MELC) を用いた悪性黒色腫検体を用いたパイプラインについて述べる。 この細胞レベルの組織の特徴化はグラフとして表現され、グラフニューラルネットワークのトレーニングに使用される。 このイメージング技術は,本研究で提案した手法と組み合わせて87%の分類精度を実現し,既存の手法を10%上回っている。
• 参考スコア（独自算出の注目度）: 6.007415817901118
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Histopathology imaging is crucial for the diagnosis and treatment of skin diseases. For this reason, computer-assisted approaches have gained popularity and shown promising results in tasks such as segmentation and classification of skin disorders. However, collecting essential data and sufficiently high-quality annotations is a challenge. This work describes a pipeline that uses suspected melanoma samples that have been characterized using Multi-Epitope-Ligand Cartography (MELC). This cellular-level tissue characterisation is then represented as a graph and used to train a graph neural network. This imaging technology, combined with the methodology proposed in this work, achieves a classification accuracy of 87%, outperforming existing approaches by 10%.
• Abstract（参考訳）: 病理組織像は皮膚疾患の診断と治療に重要である。 このため、コンピュータ支援のアプローチが普及し、セグメンテーションや皮膚障害の分類などのタスクで有望な結果が得られた。 しかし、必須データと十分な高品質のアノテーションを集めることは難しい。 本研究は,Multi-Epitope-Ligand Cartography (MELC) を用いた黒色腫疑似検体を用いたパイプラインについて述べる。 この細胞レベルの組織特性はグラフとして表現され、グラフニューラルネットワークのトレーニングに使用される。 このイメージング技術は,本研究で提案した手法と組み合わせて87%の分類精度を実現し,既存の手法を10%上回っている。

関連論文リスト

• FUSECAPS: Investigating Feature Fusion Based Framework for Capsule Endoscopy Image Classification [0.0]
  この研究は内視鏡画像の分類に強力な方法論を提供する。 本稿では、畳み込みニューラルネットワーク(CNN)、多層パーセプトロン(MLP)、放射能を組み合わせたハイブリッド特徴抽出法を提案する。 カプセル内視鏡ビデオフレーム分類作業において,76.2%の精度で検証を行った。
  論文  参考訳（メタデータ） (2024-11-04T21:55:52Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Graph-Ensemble Learning Model for Multi-label Skin Lesion Classification using Dermoscopy and Clinical Images [7.159532626507458]
  本研究では,グラフ畳み込みネットワーク(GCN)を導入し,相関行列として各カテゴリ間の先行的共起を多ラベル分類のためのディープラーニングモデルに活用する。 本稿では,GCNからの予測を融合モデルからの予測の補完情報とみなすグラフ・アンサンブル学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-04T13:19:57Z)
• 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)
• Multi-task Graph Convolutional Neural Network for Calcification Morphology and Distribution Analysis in Mammograms [4.731981307843478]
  クラスター内の微細石灰化の形態と分布は、放射線学者が乳癌を診断するための最も重要な特徴です。 マンモグラムにおける微細石灰化の形状と分布を自動解析するためのマルチタスクディープグラフ畳み込みネットワーク (GCN) を提案する。
  論文  参考訳（メタデータ） (2021-05-14T13:32:47Z)
• Meta-learning for skin cancer detection using Deep Learning Techniques [0.0]
  本研究は皮膚内視鏡画像に対するメタラーニングアプローチによる皮膚がんの自動検出に焦点をあてる。 3つの異なるソースからの結合データセットの小さなサンプルを使用して、非医療データで事前トレーニングされたresnetモデルを微調整した。
  論文  参考訳（メタデータ） (2021-04-21T21:44:25Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• 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。