論文の概要: Robust Tumor Detection from Coarse Annotations via Multi-Magnification
Ensembles
- arxiv url: http://arxiv.org/abs/2303.16533v1
- Date: Wed, 29 Mar 2023 08:41:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 15:27:57.676675
- Title: Robust Tumor Detection from Coarse Annotations via Multi-Magnification
Ensembles
- Title(参考訳): マルチマグニフィケーションアンサンブルによる粗アノテーションによるロバスト腫瘍検出
- Authors: Mehdi Naouar, Gabriel Kalweit, Ignacio Mastroleo, Philipp Poxleitner,
Marc Metzger, Joschka Boedecker, Maria Kalweit
- Abstract要約: 乳癌患者のセンチネルリンパ節のオープンなCAMELYON16データセットにおいて,転移の検出精度を大幅に向上する新しいアンサンブル法を提案する。
臨床的に癌診断に有用であることを示すため,本法により良好な結果が得られた。
- 参考スコア(独自算出の注目度): 11.070094685209598
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cancer detection and classification from gigapixel whole slide images of
stained tissue specimens has recently experienced enormous progress in
computational histopathology. The limitation of available pixel-wise annotated
scans shifted the focus from tumor localization to global slide-level
classification on the basis of (weakly-supervised) multiple-instance learning
despite the clinical importance of local cancer detection. However, the worse
performance of these techniques in comparison to fully supervised methods has
limited their usage until now for diagnostic interventions in domains of
life-threatening diseases such as cancer. In this work, we put the focus back
on tumor localization in form of a patch-level classification task and take up
the setting of so-called coarse annotations, which provide greater training
supervision while remaining feasible from a clinical standpoint. To this end,
we present a novel ensemble method that not only significantly improves the
detection accuracy of metastasis on the open CAMELYON16 data set of sentinel
lymph nodes of breast cancer patients, but also considerably increases its
robustness against noise while training on coarse annotations. Our experiments
show that better results can be achieved with our technique making it
clinically feasible to use for cancer diagnosis and opening a new avenue for
translational and clinical research.
- Abstract(参考訳): 染色組織標本のギガピクセル全スライド画像からの癌検出と分類は、近年、計算病理学において大きな進歩を遂げている。
腫瘍の局所化から,局所がん検出の臨床的重要性にもかかわらず,利用可能な画素単位のアノテートスキャンの限界は,多点学習に基づくグローバルスライドレベル分類へと焦点を移した。
しかし、完全に監督された方法と比較して、これらの手法の悪い性能は、がんのような生命を脅かす疾患の領域における診断的介入のために、これまでの使用を制限している。
本研究は,パッチレベルの分類タスクとして腫瘍の局所化に焦点を合わせ,いわゆる粗いアノテーションの設定を行い,臨床的な見地から可能でありながら,さらなる訓練監督を提供する。
そこで本研究では,乳がん患者のセンチネルリンパ節のオープンなCAMELYON16データセットの転移検出精度を向上するだけでなく,粗いアノテーションをトレーニングしながら,その雑音に対する堅牢性を大幅に向上させる新しいアンサンブル法を提案する。
以上の結果から, 癌診断や翻訳・臨床研究への新たな道を開くために, 臨床的に有用となる技術により, よりよい結果が得られた。
関連論文リスト
- BreastRegNet: A Deep Learning Framework for Registration of Breast
Faxitron and Histopathology Images [0.05454343470301196]
本研究では,モノモーダル合成画像対に基づいて学習した深層学習に基づく画像登録手法を提案する。
モデルは、ネオアジュバント化学療法を受け、手術を受けた50人の女性のデータを用いて訓練された。
論文 参考訳(メタデータ) (2024-01-18T08:23:29Z) - Machine-Learning-based Colorectal Tissue Classification via Acoustic
Resolution Photoacoustic Microscopy [3.916910844026426]
大腸内視鏡では、がんによって影響を受ける組織の内部に詳細な情報を提供できないが、生検では組織を除去し、痛みと侵襲性がある。
音響分解能光音響顕微鏡(ARPAM)を用いた大腸組織分類のための機械学習手法について検討した。
提案手法の有効性を評価するため, 定量的および定性的に解析を行った。
論文 参考訳(メタデータ) (2023-07-17T15:15:26Z) - Intra-operative Brain Tumor Detection with Deep Learning-Optimized
Hyperspectral Imaging [37.21885467891782]
グリオーマ(内因性脳腫瘍)の手術は、病変の浸潤性により困難である。
リアルタイム, 術中, ラベルフリー, 広視野の道具は使用できない。
術中指導の可能性を秘めた癌切除のための深層学習型診断ツールを構築した。
論文 参考訳(メタデータ) (2023-02-06T15:52:03Z) - 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) - Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する
乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。
より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文 参考訳(メタデータ) (2022-01-09T04:35:55Z) - Primary Tumor and Inter-Organ Augmentations for Supervised Lymph Node
Colon Adenocarcinoma Metastasis Detection [8.69535649683089]
ラベル付きデータの不足は、病理組織学応用のためのディープラーニングベースのモデルを開発する上で、大きなボトルネックとなる。
本研究は,対象領域の限定的あるいは全く表現されていない場合の大腸癌転移検出のためのトレーニングデータの拡張方法について検討する。
論文 参考訳(メタデータ) (2021-09-17T17:31:25Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳(メタデータ) (2021-07-12T09:04:20Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳(メタデータ) (2020-04-21T17:07:18Z) - A Novel and Efficient Tumor Detection Framework for Pancreatic Cancer
via CT Images [21.627818410241552]
本稿では,新しい膵腫瘍検出フレームワークを提案する。
提案手法のコントリビューションは,Augmented Feature Pyramid Network,Self-Adaptive Feature Fusion,Dependencies Computation Moduleの3つのコンポーネントから構成される。
実験により,AUCの0.9455による検出において,他の最先端手法よりも優れた性能が得られた。
論文 参考訳(メタデータ) (2020-02-11T15:48:22Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。