論文の概要: Multicenter automatic detection of invasive carcinoma on breast whole slide images

• arxiv url: http://arxiv.org/abs/2301.06789v1
• Date: Tue, 17 Jan 2023 10:30:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 14:29:14.096603
• Title: Multicenter automatic detection of invasive carcinoma on breast whole slide images
• Title（参考訳）: 乳房全スライド画像における浸潤癌の多施設自動検出
• Authors: R\'emy Peyret, Nicolas Pozin, St\'ephane Sockeel, Sol\`ene-Florence Kammerer-Jacquet, Julien Adam, Claire Bocciarelli, Yoan Ditchi, Christophe Bontoux, Thomas Depoilly, Loris Guichard, Elisabeth Lanteri, Marie Sockeel, Sophie Pr\'evot
• Abstract要約: 実践者が信頼できる高速で信頼性の高いアルゴリズムを開発するのは難しい。 本稿では,乳腺全スライディング画像から浸潤癌を検出し,発見するために,畳み込みニューラルネットワークを組み込んだパッチベースのアルゴリズムについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast cancer is one of the most prevalent cancers worldwide and pathologists are closely involved in establishing a diagnosis. Tools to assist in making a diagnosis are required to manage the increasing workload. In this context, artificial intelligence (AI) and deep-learning based tools may be used in daily pathology practice. However, it is challenging to develop fast and reliable algorithms that can be trusted by practitioners, whatever the medical center. We describe a patch-based algorithm that incorporates a convolutional neural network to detect and locate invasive carcinoma on breast whole-slide images. The network was trained on a dataset extracted from a reference acquisition center. We then performed a calibration step based on transfer learning to maintain the performance when translating on a new target acquisition center by using a limited amount of additional training data. Performance was evaluated using classical binary measures (accuracy, recall, precision) for both centers (referred to as test reference dataset and test target dataset) and at two levels: patch and slide level. At patch level, accuracy, recall, and precision of the model on the reference and target test sets were 92.1\% and 96.3\%, 95\% and 87.8\%, and 73.9\% and 70.6\%, respectively. At slide level, accuracy, recall, and precision were 97.6\% and 92.0\%, 90.9\% and 100\%, and 100\% and 70.8\% for test sets 1 and 2, respectively. The high performance of the algorithm at both centers shows that the calibration process is efficient. This is performed using limited training data from the new target acquisition center and requires that the model is trained beforehand on a large database from a reference center. This methodology allows the implementation of AI diagnostic tools to help in routine pathology practice.
• Abstract（参考訳）: 乳癌は世界で最も多いがんの1つであり、病理学者は診断の確立に密接に関わっている。 作業負荷の増加を管理するには診断を支援するツールが必要である。 この文脈では、人工知能(AI)とディープラーニングベースのツールが日々の病理学の実践に使用される。 しかし、医療センターが何であれ、実践者が信頼できる高速で信頼性の高いアルゴリズムを開発することは困難である。 本稿では,乳腺全スライド画像上の浸潤癌の検出と検出のための畳み込みニューラルネットワークを組み込んだパッチベースアルゴリズムについて述べる。 ネットワークは、参照取得センターから抽出されたデータセット上でトレーニングされた。 次に,移動学習に基づくキャリブレーションを行い,新たな目標獲得センターに翻訳する際に,限られた量の追加トレーニングデータを用いて性能を維持する。 両方のセンター(テスト参照データセットとテスト対象データセット)と2つのレベル(パッチとスライドレベル)で、古典的な二分法(正確性、リコール、精度)を用いてパフォーマンスを評価した。 パッチレベルでは、基準および目標テストセットのモデルの精度、リコール、精度は92.1\%、96.3\%、95.8\%、87.8\%、73.9\%、70.6\%であった。 スライドレベルでは、精度、リコール、精度はそれぞれ97.6\%、92.0\%、90.9\%、100\%、100\%と70.8\%であった。 両センターにおけるアルゴリズムの高性能化は,キャリブレーションプロセスが効率的であることを示す。 これは、新しいターゲット取得センタからの限られたトレーニングデータを使用して実行され、参照センタから大きなデータベースに事前トレーニングする必要がある。 この方法論により、AI診断ツールの実装は、日常的な病理学の実践に役立つ。

関連論文リスト

• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• Data Efficient Contrastive Learning in Histopathology using Active Sampling [0.0]
  ディープラーニングアルゴリズムは、デジタル病理学において堅牢な定量的分析を提供することができる。 これらのアルゴリズムは大量の注釈付きトレーニングデータを必要とする。 アドホックなプリテキストタスクを用いて特徴を学習するための自己教師付き手法が提案されている。 そこで本研究では,小規模なプロキシネットワークを用いたトレーニングセットから情報的メンバを積極的に抽出する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-28T18:51:22Z)
• Classification and Self-Supervised Regression of Arrhythmic ECG Signals Using Convolutional Neural Networks [13.025714736073489]
  回帰および分類タスクを解くことができるディープニューラルネットワークモデルを提案する。 我々はこのモデルをMIT-BIH Arrhythmiaデータベース上で検証した。
  論文  参考訳（メタデータ） (2022-10-25T18:11:13Z)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• 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)
• To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
  弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。 擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。 十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
  論文  参考訳（メタデータ） (2021-09-04T02:45:22Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Joint Registration and Segmentation via Multi-Task Learning for Adaptive Radiotherapy of Prostate Cancer [3.0929226049096217]
  マルチタスク学習設定による共同問題として登録とセグメンテーションを定式化する。 このアプローチは、前立腺癌に対する適応画像誘導放射線療法の文脈で検討する。
  論文  参考訳（メタデータ） (2021-05-05T02:45:49Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)
• Real-Time Segmentation of Non-Rigid Surgical Tools based on Deep Learning and Tracking [12.408997542491152]
  リアルタイムツールセグメンテーションはコンピュータ支援手術システムにおいて欠かせない要素である。 本稿では,FCN(Fully Convolutional Networks)と光フロートラッキングに基づく新しいリアルタイム自動手法を提案する。
  論文  参考訳（メタデータ） (2020-09-07T11:06:14Z)

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。