論文の概要: Domain-specific transfer learning in the automated scoring of
tumor-stroma ratio from histopathological images of colorectal cancer
- arxiv url: http://arxiv.org/abs/2212.14652v1
- Date: Fri, 30 Dec 2022 12:27:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 16:14:51.683916
- Title: Domain-specific transfer learning in the automated scoring of
tumor-stroma ratio from histopathological images of colorectal cancer
- Title(参考訳): 大腸癌組織像からの腫瘍-間質比の自動評価におけるドメイン特異的転写学習
- Authors: Liisa Pet\"ainen, Juha P. V\"ayrynen, Pekka Ruusuvuori, Ilkka
P\"ol\"onen, Sami \"Ayr\"am\"o and Teijo Kuopio
- Abstract要約: 腫瘍-ストローマ比 (TSR) は多くの種類の固形腫瘍の予後因子である。
この方法は、大腸癌組織を分類するために訓練された畳み込みニューラルネットワークに基づいている。
- 参考スコア(独自算出の注目度): 1.2264932946286657
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tumor-stroma ratio (TSR) is a prognostic factor for many types of solid
tumors. In this study, we propose a method for automated estimation of TSR from
histopathological images of colorectal cancer. The method is based on
convolutional neural networks which were trained to classify colorectal cancer
tissue in hematoxylin-eosin stained samples into three classes: stroma, tumor
and other. The models were trained using a data set that consists of 1343 whole
slide images. Three different training setups were applied with a transfer
learning approach using domain-specific data i.e. an external colorectal cancer
histopathological data set. The three most accurate models were chosen as a
classifier, TSR values were predicted and the results were compared to a visual
TSR estimation made by a pathologist. The results suggest that classification
accuracy does not improve when domain-specific data are used in the
pre-training of the convolutional neural network models in the task at hand.
Classification accuracy for stroma, tumor and other reached 96.1$\%$ on an
independent test set. Among the three classes the best model gained the highest
accuracy (99.3$\%$) for class tumor. When TSR was predicted with the best
model, the correlation between the predicted values and values estimated by an
experienced pathologist was 0.57. Further research is needed to study
associations between computationally predicted TSR values and other
clinicopathological factors of colorectal cancer and the overall survival of
the patients.
- Abstract(参考訳): 腫瘍-ストロマ比 (TSR) は多くの種類の固形腫瘍の予後因子である。
本研究では,大腸癌の病理組織像からTSRの自動推定法を提案する。
この方法は、大腸癌組織をヘマトキシリン-エオシン染色標本に分類するために訓練された畳み込みニューラルネットワークに基づいており、ストローマ、腫瘍、その他の3つのクラスに分類される。
モデルのトレーニングは、1343のスライドイメージからなるデータセットを使用して行われた。
領域特異的なデータ,すなわち大腸癌組織学的データセットを用いて,3種類の異なるトレーニング設定を適用した。
最も正確な3つのモデルが分類器として選択され、TSR値が予測され、その結果が病理学者による視覚的TSR推定と比較された。
その結果,畳み込みニューラルネットワークモデルの事前学習においてドメイン固有データが使用される場合,分類精度は向上しないことが示唆された。
ストローマ, 腫瘍, その他の症例の分類精度は, 独立したテストセットで96.1$\%であった。
3つのクラスの中で、最良のモデルはクラス腫瘍の最高精度(99.3$\%$)を得た。
TSRが最良のモデルで予測されたとき、予測値と経験者による評価値との相関は0.57であった。
さらに, 大腸癌のTSR値と他の臨床病理学的因子と患者の生存率との関連について検討する必要がある。
関連論文リスト
- Semi-supervised ViT knowledge distillation network with style transfer
normalization for colorectal liver metastases survival prediction [1.283897253352624]
本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。
まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。
転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
論文 参考訳(メタデータ) (2023-11-17T03:32:11Z) - Classification of lung cancer subtypes on CT images with synthetic
pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。
肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文 参考訳(メタデータ) (2023-08-09T02:04:05Z) - Multimodal Deep Learning for Personalized Renal Cell Carcinoma
Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。
本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。
提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文 参考訳(メタデータ) (2023-07-07T13:09:07Z) - Significantly improving zero-shot X-ray pathology classification via
fine-tuning pre-trained image-text encoders [51.14431540035141]
下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。
4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
論文 参考訳(メタデータ) (2022-12-14T06:04:18Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - Transfer Learning with Ensembles of Deep Neural Networks for Skin Cancer
Classification in Imbalanced Data Sets [0.6802401545890961]
医療画像から皮膚癌を正確に分類するための機械学習技術が報告されている。
多くのテクニックは、訓練済みの畳み込みニューラルネットワーク(CNN)に基づいており、限られたトレーニングデータに基づいてモデルをトレーニングすることができる。
本稿では,複数のcnnモデルが事前学習され,一部は手元のデータのみにトレーニングされ,患者情報(メタデータ)はメタリーナーを用いて結合される,新しいアンサンブルベースのcnnアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-03-22T06:04:45Z) - Glioma Classification Using Multimodal Radiology and Histology Data [0.41883694872353855]
グリオーマを,オリゴデンドログリオーマ,アストロサイトーマ,グリオ芽腫の3つのサブタイプに分類するパイプラインを提案する。
分類アルゴリズムは, CPM-RadPath 2020 チャレンジで提供されるデータセットを用いて評価した。
論文 参考訳(メタデータ) (2020-11-10T21:38:26Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - 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) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳(メタデータ) (2020-02-13T15:28:42Z)
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。