論文の概要: Deep learning-based Subtyping of Atypical and Normal Mitoses using a
Hierarchical Anchor-Free Object Detector
- arxiv url: http://arxiv.org/abs/2212.05900v1
- Date: Mon, 12 Dec 2022 13:57:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 16:56:04.265511
- Title: Deep learning-based Subtyping of Atypical and Normal Mitoses using a
Hierarchical Anchor-Free Object Detector
- Title（参考訳）: 階層型アンカーフリー物体検出器を用いた深層学習に基づく非定型および正常ミトースのサブタイプ
- Authors: Marc Aubreville, Jonathan Ganz, Jonas Ammeling, Taryn A. Donovan,
Rutger H. J. Fick, Katharina Breininger, Christof A. Bertram
- Abstract要約: 非定型有糸分裂図形(MF)は、クロマトノイドの分離異常を有するものとして形態学的に同定できる。
この研究では、初めて、ミトティックな図形の正規および非典型的なカテゴリへの自動的なサブタイピングを行う。
我々は,階層型サブクラス化分岐を用いたアンカーフリーFCOSアプローチを拡張した最先端のオブジェクト検出パイプラインを構築した。
- 参考スコア（独自算出の注目度）: 0.802219018904343
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Mitotic activity is key for the assessment of malignancy in many tumors.
Moreover, it has been demonstrated that the proportion of abnormal mitosis to
normal mitosis is of prognostic significance. Atypical mitotic figures (MF) can
be identified morphologically as having segregation abnormalities of the
chromatids. In this work, we perform, for the first time, automatic subtyping
of mitotic figures into normal and atypical categories according to
characteristic morphological appearances of the different phases of mitosis.
Using the publicly available MIDOG21 and TUPAC16 breast cancer mitosis
datasets, two experts blindly subtyped mitotic figures into five morphological
categories. Further, we set up a state-of-the-art object detection pipeline
extending the anchor-free FCOS approach with a gated hierarchical
subclassification branch. Our labeling experiment indicated that subtyping of
mitotic figures is a challenging task and prone to inter-rater disagreement,
which we found in 24.89% of MF. Using the more diverse MIDOG21 dataset for
training and TUPAC16 for testing, we reached a mean overall average precision
score of 0.552, a ROC AUC score of 0.833 for atypical/normal MF and a mean
class-averaged ROC-AUC score of 0.977 for discriminating the different phases
of cells undergoing mitosis.
- Abstract（参考訳）: 多くの腫瘍の悪性度評価には, 分裂活性が重要である。
また,正常ミトーシスに対する異常ミトーシスの割合は予後に重要な意味があることが示されている。
非定型的有糸分裂図形(MF)は、形態学的に、クロマチドの分離異常を有すると同定できる。
本研究は,ミトーシスの異なる相の特徴的な形態的出現に応じて,初めて,ミトーシス図形の正常および非定型分類への自動サブタイピングを行う。
MIDOG21とTUPAC16の乳がん有糸分裂データセットを用いて、2人の専門家が盲目的に有糸分裂像を5つの形態分類に分類した。
さらに,アンカーフリーなfcosアプローチを拡張した最先端オブジェクト検出パイプラインを,階層的サブクラス化ブランチで構築した。
我々のラベル付け実験は、有糸分裂体のサブタイプは難しい課題であり、MFの24.89%で見られるラター間不一致の傾向を示した。
より多様な訓練用midog21データセットと試験用tupac16を用いて、平均平均精度スコア0.552、非定型/正常mf用roc aucスコア0.833、mitosisの異なる相の細胞を識別するための平均クラス平均roc-aucスコア0.977に達した。
関連論文リスト
- Multi-task learning for joint weakly-supervised segmentation and aortic
arch anomaly classification in fetal cardiac MRI [2.7962860265843563]
3D Black blood T2w MRIによる胎児血管分割の自動化と異常分類のための枠組みを提案する。
右大動脈弓部,右大動脈弓部,大動脈解離の疑いを主訴に来院した。
実験の結果,提案した学習戦略はラベルの伝播と,伝播ラベルのみに特化して訓練されたネットワークを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-11-13T10:54:53Z) - Multivariate Analysis on Performance Gaps of Artificial Intelligence
Models in Screening Mammography [4.123006816939975]
異常分類のための深層学習モデルは,マンモグラフィーのスクリーニングにおいて良好に機能する。
モデル不全のリスクの増加に伴う人口統計学的、画像的、臨床的特徴はいまだに不明である。
年齢,人種,病理所見,組織密度,画像特徴によって定義されるサブグループによるモデル性能の評価を行った。
論文 参考訳（メタデータ） (2023-05-08T02:28:45Z) - MesoGraph: Automatic Profiling of Malignant Mesothelioma Subtypes from
Histological Images [0.0]
我々は,組織領域をセルレゾリューションに分解できるモデルを学ぶために,ランキング損失を低減した新しいデュアルタスクグラフニューラルネットワーク(GNN)アーキテクチャを開発した。
これにより、サンプル中の全ての細胞のサルコカトイド関連スコアに従って、腫瘍サンプルの定量的なプロファイリングが可能になる。
本モデルで同定された形態的相違は,病理学者が用いた既知の相違と一致することが判明した。
論文 参考訳（メタデータ） (2023-02-23T11:11:55Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - HSADML: Hyper-Sphere Angular Deep Metric based Learning for Brain Tumor
Classification [3.319978067919918]
HSADMLは、SphereFace Lossを使用したディープメトリックラーニング(DML)を可能にする新しいフレームワークである。
k-NN(k=1)を用いた最先端98.69%のアキュラシ検証
論文 参考訳（メタデータ） (2022-01-28T17:37:15Z) - Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly
Types [60.45942774425782]
我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。
これは異常検出とは違い、その目標は異常を通常のデータから分割することである。
パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-21T23:11:33Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z)
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。