論文の概要: MesoGraph: Automatic Profiling of Malignant Mesothelioma Subtypes from Histological Images

• arxiv url: http://arxiv.org/abs/2302.12653v1
• Date: Thu, 23 Feb 2023 11:11:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-27 13:28:36.724085
• Title: MesoGraph: Automatic Profiling of Malignant Mesothelioma Subtypes from Histological Images
• Title（参考訳）: MesoGraph: 組織像による悪性中皮腫サブタイプの自動プロファイリング
• Authors: Mark Eastwood and Heba Sailem and Silviu Tudor and Xiaohong Gao and Judith Offman and Emmanouil Karteris and Angeles Montero Fernandez and Danny Jonigk and William Cookson and Miriam Moffatt and Sanjay Popat and Fayyaz Minhas and Jan Lukas Robertus
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Malignant mesothelioma is classified into three histological subtypes, Epithelioid, Sarcomatoid, and Biphasic according to the relative proportions of epithelioid and sarcomatoid tumor cells present. Biphasic tumors display significant populations of both cell types. This subtyping is subjective and limited by current diagnostic guidelines and can differ even between expert thoracic pathologists when characterising the continuum of relative proportions of epithelioid and sarcomatoid components using a three class system. In this work, we develop a novel dual-task Graph Neural Network (GNN) architecture with ranking loss to learn a model capable of scoring regions of tissue down to cellular resolution. This allows quantitative profiling of a tumor sample according to the aggregate sarcomatoid association score of all the cells in the sample. The proposed approach uses only core-level labels and frames the prediction task as a dual multiple instance learning (MIL) problem. Tissue is represented by a cell graph with both cell-level morphological and regional features. We use an external multi-centric test set from Mesobank, on which we demonstrate the predictive performance of our model. We validate our model predictions through an analysis of the typical morphological features of cells according to their predicted score, finding that some of the morphological differences identified by our model match known differences used by pathologists. We further show that the model score is predictive of patient survival with a hazard ratio of 2.30. The code for the proposed approach, along with the dataset, is available at: https://github.com/measty/MesoGraph.
• Abstract（参考訳）: 悪性中皮腫はエピテリオイド,サルコマチド,二相性という3つの組織学的サブタイプに分類される。 二相性腫瘍は両細胞型の有意な集団を示す。 このサブタイピングは、現在の診断ガイドラインによって主観的で制限されており、3種類のシステムを用いて、上皮およびサルコパチド成分の相対比の連続性を特徴づける際、専門家の胸部病理医の間でも異なる可能性がある。 本研究では, 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。 提案手法では,コアレベルラベルのみを使用し,予測タスクをデュアルマルチインスタンス学習(MIL)問題として扱う。 組織は細胞レベルでの形態的特徴と局所的な特徴を持つ細胞グラフで表される。 我々はMesobankの外部の多中心テストセットを使用し、モデルの性能を実証する。 予測したスコアに基づいて細胞の形態的特徴を解析し,モデルで同定された形態的差異のいくつかは病理学者が使用する既知の差異と一致していることを見出した。 さらに,モデルスコアは患者生存率2.30の予測値であることが示唆された。 提案されたアプローチのコードは、データセットとともに、https://github.com/measty/MesoGraph.comで公開されている。

関連論文リスト

• DinoBloom: A Foundation Model for Generalizable Cell Embeddings in Hematology [1.3551232282678036]
  血液学における単細胞画像の最初の基盤モデルであるDinoBloomを紹介した。 本モデルは末梢血と骨髄のスミアの13種類の多種多様な公開データセットの広範囲な収集に基づいて構築されている。 4つのDinoBloomモデルのファミリーは、幅広い下流アプリケーションに適応することができる。
  論文  参考訳（メタデータ） (2024-04-07T17:25:52Z)
• Cell Maps Representation For Lung Adenocarcinoma Growth Patterns Classification In Whole Slide Images [0.5906576076342179]
  肺腺癌は, 形態学的に異質な疾患であり, 5つの原発組織学的成長パターンを特徴とする。 組織タイルを5つのパターンの1つまたは非腫瘍の1つに分類できる新しい機械学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:12:51Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• 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)
• Adversarial learning of cancer tissue representations [6.395981404833557]
  手動のアノテーションを必要とせずに,癌組織の特徴表現を抽出する逆学習モデルを提案する。 これらの表現は乳癌,大腸癌,肺がんの3種類の形態学的特徴を同定することができる。 以上の結果から,本モデルが実際の組織試料の特異な表現特性を捉え,腫瘍進展と腫瘍微小環境のさらなる理解の道を開くことが示唆された。
  論文  参考訳（メタデータ） (2021-08-04T18:00:47Z)
• Hierarchical Phenotyping and Graph Modeling of Spatial Architecture in Lymphoid Neoplasms [7.229065627904531]
  この研究は、セルコンポーネントのオーケストレーションと相互作用をプロファイリングするための、ローカルグラフとグローバルグラフをハイブリッドする最初の試みの一つである。 提案アルゴリズムは,繰り返し5倍のクロスバリデーション方式を用いて0.703の平均診断精度を実現する。
  論文  参考訳（メタデータ） (2021-06-30T16:09:32Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• A Multi-Scale Conditional Deep Model for Tumor Cell Ratio Counting [4.164451715899639]
  組織スライド全体の腫瘍細胞の比率を正確に把握する手法を提案する。 我々は、H&E染色組織断面の画像上で細胞を検出し分類するために訓練された、完全な畳み込みニューラルネットワークモデルを使用する。 2つのモデルを組み合わせることで、それぞれ異なる倍率で作業することで、システムはセルレベルの詳細と周囲のコンテキストの両方をキャプチャできることを示す。
  論文  参考訳（メタデータ） (2021-01-27T22:40:33Z)
• 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)

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。