論文の概要: Enabling Collagen Quantification on HE-stained Slides Through Stain Deconvolution and Restained HE-HES

• arxiv url: http://arxiv.org/abs/2211.09566v1
• Date: Thu, 17 Nov 2022 14:46:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 17:13:06.048131
• Title: Enabling Collagen Quantification on HE-stained Slides Through Stain Deconvolution and Restained HE-HES
• Title（参考訳）: ステンドデコンボリューションと修復he-hesによるヘステンドスライドのコラーゲン定量化
• Authors: Guillaume Balezo, Christof A. Bertram, Cyprien Tilmant, St\'ephanie Petit, Saima Ben Hadj, Rutger H.J. Fick
• Abstract要約: 組織学では、細胞外マトリックスにコラーゲンが存在することは、癌悪性腫瘍の診断と予後の両面で有意である。 サフラン(S)は通常、追加のコストと、病理学者がヘマトキシリンとエオシン(HE)染色に慣れているため添加されない。 本稿では,HE画像のみからコラーゲン含有量を定量化し,HES画像のデジタル化が可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In histology, the presence of collagen in the extra-cellular matrix has both diagnostic and prognostic value for cancer malignancy, and can be highlighted by adding Saffron (S) to a routine Hematoxylin and Eosin (HE) staining. However, Saffron is not usually added because of the additional cost and because pathologists are accustomed to HE, with the exception of France-based laboratories. In this paper, we show that it is possible to quantify the collagen content from the HE image alone and to digitally create an HES image. To do so, we trained a UNet to predict the Saffron densities from HE images. We created a dataset of registered, restained HE-HES slides and we extracted the Saffron concentrations as ground truth using stain deconvolution on the HES images. Our model reached a Mean Absolute Error of 0.0668 $\pm$ 0.0002 (Saffron values between 0 and 1) on a 3-fold testing set. We hope our approach can aid in improving the clinical workflow while reducing reagent costs for laboratories.
• Abstract（参考訳）: 組織学では、細胞外マトリックスにコラーゲンの存在は癌悪性腫瘍の診断と予後の両方に価値があり、通常のヘマトキシリンとエオシン(HE)染色にサフラン(S)を加えることで強調できる。 しかし、サフロンは追加費用や病理学者がHEに慣れているため、フランスに拠点を置く研究所を除いて、通常追加されることはない。 本稿では,he画像のみからコラーゲン含有量を定量化し,hes画像をデジタル的に作成することが可能であることを示す。 そこで我々は,HE画像からサフラン密度を予測するためにUNetを訓練した。 我々はHE-HESスライスを登録したデータセットを作成し,HES画像のステンレスデコンボリューションを用いて,サフロン濃度を基底真実として抽出した。 我々のモデルは、平均絶対誤差が 0.0668 $\pm$ 0.0002 (0 から 1 の間のサフラン値) に到達した。 提案手法は, 臨床ワークフローの改善に有効でありながら, 実験室の試薬コストを低減できることを期待する。

関連論文リスト

• Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
  これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。 コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。 各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-06T08:35:29Z)
• Improving Nonalcoholic Fatty Liver Disease Classification Performance With Latent Diffusion Models [0.0]
  拡散モデルを用いて生成した合成画像と実画像を組み合わせることで,非アルコール性脂肪性肝疾患分類性能を向上させることができることを示す。 その結果,拡散生成画像では最大ISスコアが1.90ドル,GANが1.67ドル,FIDスコアが6.9.45ドル,GANが100.05ドルであった。
  論文  参考訳（メタデータ） (2023-07-13T01:14:08Z)
• Faithful Synthesis of Low-dose Contrast-enhanced Brain MRI Scans using Noise-preserving Conditional GANs [102.47542231659521]
  ガドリニウム系造影剤(GBCA)は様々な疾患の診断にMRIにおいて不可欠である。 GBCAは高価であり、副作用のある患者に蓄積される可能性がある。 診断値を維持しながらGBCAの投与量をどの程度削減できるかは不明確である。
  論文  参考訳（メタデータ） (2023-06-26T13:19:37Z)
• A Laplacian Pyramid Based Generative H&E Stain Augmentation Network [5.841841666625825]
  Generative Stain Augmentation Network (G-SAN)は、GANベースのフレームワークで、シミュレーションされた染色のバリエーションでセルイメージのコレクションを増強する。 G-SAN強化トレーニングデータを使用することで、平均15.7%のF1スコアの改善、7.3%の汎光学品質向上が達成される。
  論文  参考訳（メタデータ） (2023-05-23T17:43:18Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)
• Detecting Mitosis against Domain Shift using a Fused Detector and Deep Ensemble Classification Model for MIDOG Challenge [14.99765499823465]
  本研究では,検出器と深層アンサンブル分類モデルを融合させることにより,2段階のミトティック図形検出フレームワークを提案する。 H&E画像における色変化の影響を軽減するため、染色正規化とデータ拡張の両方を利用する。 提案モデルでは,MIDOGチャレンジでリリースした予備テストセットに対して0.7550のF1スコアを得る。
  論文  参考訳（メタデータ） (2021-08-31T17:10:26Z)
• Exploiting generative self-supervised learning for the assessment of biological images with lack of annotations: a COVID-19 case-study [0.41998444721319217]
  GAN-DLはStyleGAN2アーキテクチャに基づく差別化学習機である。 本手法は, 分類作業だけでなく, 線量応答曲線の導出にも有効であることを示す。
  論文  参考訳（メタデータ） (2021-07-16T08:36:34Z)
• Multimarginal Wasserstein Barycenter for Stain Normalization and Augmentation [4.00916638804083]
  本手法は, 染色正規化の最先端手法と比較して, 定量的, 定性的に優れた結果を示した。 我々はさらに、公開データセット上での原子核分割タスクにおける染色正規化と増分を検証した。
  論文  参考訳（メタデータ） (2020-06-25T17:09:40Z)
• Evading Deepfake-Image Detectors with White- and Black-Box Attacks [75.13740810603686]
  一般的な法医学的アプローチは、ニューラルネットワークを訓練して、実際の合成内容と区別することを示します。 我々は,既存の画像生成装置の約0.95のLOC曲線(AUC)以下の領域を達成できる最先端の分類器に関する5つの攻撃事例研究を開発した。 また、ターゲット分類器にアクセスできないブラックボックス攻撃により、AUCを0.22に削減する。
  論文  参考訳（メタデータ） (2020-04-01T17:59:59Z)

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。