論文の概要: convoHER2: A Deep Neural Network for Multi-Stage Classification of HER2
Breast Cancer
- arxiv url: http://arxiv.org/abs/2211.10690v1
- Date: Sat, 19 Nov 2022 13:09:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 22:28:48.848728
- Title: convoHER2: A Deep Neural Network for Multi-Stage Classification of HER2
Breast Cancer
- Title(参考訳): convoHER2:HER2乳癌の多段階分類のためのディープニューラルネットワーク
- Authors: M. F. Mridha, Md. Kishor Morol, Md. Asraf Ali, and Md Sakib Hossain
Shovon
- Abstract要約: ヘマトキシリンおよびエオシン(H&E)および化学染色(IHC)画像はベイズ情報基準(BIC)ベンチマークデータセットの生データとして使用されている。
コンボHER2モデルは、H&E画像とIHC画像を用いて、HER2癌とそのグレードを精度85%と88%で検出することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generally, human epidermal growth factor 2 (HER2) breast cancer is more
aggressive than other kinds of breast cancer. Currently, HER2 breast cancer is
detected using expensive medical tests are most expensive. Therefore, the aim
of this study was to develop a computational model named convoHER2 for
detecting HER2 breast cancer with image data using convolution neural network
(CNN). Hematoxylin and eosin (H&E) and immunohistochemical (IHC) stained images
has been used as raw data from the Bayesian information criterion (BIC)
benchmark dataset. This dataset consists of 4873 images of H&E and IHC. Among
all images of the dataset, 3896 and 977 images are applied to train and test
the convoHER2 model, respectively. As all the images are in high resolution, we
resize them so that we can feed them in our convoHER2 model. The cancerous
samples images are classified into four classes based on the stage of the
cancer (0+, 1+, 2+, 3+). The convoHER2 model is able to detect HER2 cancer and
its grade with accuracy 85% and 88% using H&E images and IHC images,
respectively. The outcomes of this study determined that the HER2 cancer
detecting rates of the convoHER2 model are much enough to provide better
diagnosis to the patient for recovering their HER2 breast cancer in future.
- Abstract(参考訳): 一般的に、ヒト上皮成長因子2(HER2)乳癌は他の種類の乳癌よりも攻撃的である。
現在、高価な医療検査でHER2乳癌を検出するのが最も高価である。
そこで本研究では,畳み込みニューラルネットワーク(CNN)を用いた画像データを用いて,HER2乳癌を検出するConvoHER2という計算モデルを開発した。
ヘマトキシリンとエオシン(h&e)と免疫組織化学的(ihc)染色画像は、ベイズ情報基準(bic)ベンチマークデータセットの生データとして使用されている。
このデータセットは4873枚のH&EとIHCの画像で構成されている。
データセットの全画像のうち、それぞれ3896画像と977画像を適用し、convoher2モデルのトレーニングとテストを行う。
すべての画像が高解像度であるので、コンボHER2モデルで処理できるようにサイズを変更します。
がんサンプル画像は、がんのステージ(0+,1+,2+,3+)に基づいて4つのクラスに分類される。
コンボHER2モデルは、H&E画像とIHC画像を用いて、HER2癌とそのグレードを精度85%と88%で検出することができる。
本研究の結果, 今後, HER2乳がんの回復のために, コンボHER2モデルのHER2癌検出率は, 患者に良好な診断を与えるのに十分であることがわかった。
関連論文リスト
- Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳(メタデータ) (2024-05-13T15:48:26Z) - Improved Breast Cancer Diagnosis through Transfer Learning on
Hematoxylin and Eosin Stained Histology Images [3.7498611358320733]
本研究では,最新のBRACS染色画像を用いて乳癌腫瘍の分類を行った。
我々は、Xception、EfficientNet、ResNet50、InceptionResNetといった、ImageNet重みに基づいて事前訓練された様々なディープラーニングモデルを用いて実験を行った。
論文 参考訳(メタデータ) (2023-09-15T20:16:17Z) - Breast cancer detection using deep learning [0.0]
本稿では,マイクロ波イメージング画像の再構成画像から乳がんを検出するための深層学習モデルを提案する。
NASNetLargeは、88.41%、27.82%の精度でCNNモデルに使用できる最高のアーキテクチャである。
論文 参考訳(メタデータ) (2023-04-20T15:22:12Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳(メタデータ) (2023-04-12T15:08:34Z) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。
Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳(メタデータ) (2023-04-12T05:41:44Z) - High-resolution synthesis of high-density breast mammograms: Application
to improved fairness in deep learning based mass detection [48.88813637974911]
深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。
高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。
本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
論文 参考訳(メタデータ) (2022-09-20T15:57:12Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-13T07:10:14Z) - BCI: Breast Cancer Immunohistochemical Image Generation through Pyramid
Pix2pix [8.82904507522587]
ヒト上皮成長因子受容体2(HER2)の発現は乳癌の正確な治療に必須である。
今回我々は,乳がん化学(BCI)ベンチマークを初めて提案し,IHCデータをヘマトキシリンとエオシン染色画像で直接合成する方法を提案する。
データセットには4870の登録イメージペアが含まれており、さまざまなHER2表現レベルをカバーする。
論文 参考訳(メタデータ) (2022-04-25T04:00:47Z) - Identifying Women with Mammographically-Occult Breast Cancer Leveraging
GAN-Simulated Mammograms [0.8122270502556371]
本研究では, 対向するマンモグラムを条件として, 正常な外見を持つマンモグラムをシミュレートする条件生成適応ネットワーク(CGAN)を開発した。
ラドン累積分布変換(RCDT)処理マンモグラムを訓練したCNNを用いて,MO癌を診断した。
論文 参考訳(メタデータ) (2021-09-24T14:33:54Z) - Understanding the robustness of deep neural network classifiers for
breast cancer screening [52.50078591615855]
ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。
放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。
また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
論文 参考訳(メタデータ) (2020-03-23T01:26:36Z) - Joint 2D-3D Breast Cancer Classification [22.031221319016353]
デジタルマンモグラフィー(Digital Mammograms、DMまたは2Dマンモグラフィー)とデジタル乳房トモシンセシス(DBTまたは3Dマンモグラフィー)は、乳がんの診断・診断に使用される2種類のマンモグラフィー画像である。
乳がん分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-02-27T19:08:16Z)
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。