論文の概要: Multi-task learning for tissue segmentation and tumor detection in
colorectal cancer histology slides
- arxiv url: http://arxiv.org/abs/2304.03101v1
- Date: Thu, 6 Apr 2023 14:26:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 13:59:48.606976
- Title: Multi-task learning for tissue segmentation and tumor detection in
colorectal cancer histology slides
- Title(参考訳): 大腸癌組織スライドにおける組織分画と腫瘍検出のマルチタスク学習
- Authors: Lydia A. Schoenpflug, Maxime W. Lafarge, Anja L. Frei, Viktor H.
Koelzer
- Abstract要約: U-Netに基づくマルチタスクモデルとチャネルワイドおよび画像統計に基づくカラー拡張を提案する。
組織分画は8655(Arm1), AUROCは8515(Arm2), AUROCは9725(Arm1), 0.9750(Arm2)であった。
- 参考スコア(独自算出の注目度): 0.9176056742068814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automating tissue segmentation and tumor detection in histopathology images
of colorectal cancer (CRC) is an enabler for faster diagnostic pathology
workflows. At the same time it is a challenging task due to low availability of
public annotated datasets and high variability of image appearance. The
semi-supervised learning for CRC detection (SemiCOL) challenge 2023 provides
partially annotated data to encourage the development of automated solutions
for tissue segmentation and tumor detection. We propose a U-Net based
multi-task model combined with channel-wise and image-statistics-based color
augmentations, as well as test-time augmentation, as a candidate solution to
the SemiCOL challenge. Our approach achieved a multi-task Dice score of .8655
(Arm 1) and .8515 (Arm 2) for tissue segmentation and AUROC of .9725 (Arm 1)
and 0.9750 (Arm 2) for tumor detection on the challenge validation set. The
source code for our approach is made publicly available at
https://github.com/lely475/CTPLab_SemiCOL2023.
- Abstract(参考訳): 大腸癌 (CRC) の病理組織像における組織分画と腫瘍検出の自動化は, より高速な診断法として有効である。
同時に、公開アノテートデータセットの可用性が低く、画像表示の変動性が高いため、これは難しい課題である。
CRC検出のための半教師付き学習(SemiCOL)チャレンジ2023は、部分的に注釈付きデータを提供し、組織セグメント化と腫瘍検出のための自動化ソリューションの開発を促進する。
本稿では,U-Netに基づくマルチタスクモデルと,チャネルワイドおよび画像統計に基づくカラー拡張と,テスト時間拡張を併用して,SemiCOLチャレンジの候補解として提案する。
提案手法は .8655 (arm) のマルチタスク dice スコアを達成した。
1)及び.8515(武装)
2).9725(Arm)の組織分節とAUROC
1)及び0.9750(武装)
2) チャレンジ検証セットにおける腫瘍検出について
このアプローチのソースコードはhttps://github.com/lely475/CTPLab_SemiCOL2023で公開されています。
関連論文リスト
- Automated Ensemble-Based Segmentation of Pediatric Brain Tumors: A Novel
Approach Using the CBTN-CONNECT-ASNR-MICCAI BraTS-PEDs 2023 Challenge Data [0.0]
本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。
データ拡張により、異なるスキャンプロトコル間でモデルの堅牢性と精度が保証される。
以上の結果から,この高度なアンサンブルアプローチは,小児脳腫瘍の診断精度の向上と効果的な治療計画に期待できる可能性が示唆された。
論文 参考訳(メタデータ) (2023-08-14T15:29:32Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳(メタデータ) (2023-03-01T23:37:45Z) - Hierarchical Transformer for Survival Prediction Using Multimodality
Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。
本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。
より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文 参考訳(メタデータ) (2022-11-29T23:47:56Z) - WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic
Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。
第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文 参考訳(メタデータ) (2022-04-13T15:27:05Z) - Metastatic Cancer Outcome Prediction with Injective Multiple Instance
Pooling [1.0965065178451103]
我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。
結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。
本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
論文 参考訳(メタデータ) (2022-03-09T16:58:03Z) - 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) - Automatic tumour segmentation in H&E-stained whole-slide images of the
pancreas [2.4431235585344475]
病気の検出とセグメンテーションの精度のバランスをとるために,マルチタスク畳み込みニューラルネットワークを提案する。
異なる解像度で29人の患者を対象にアプローチを検証した。
論文 参考訳(メタデータ) (2021-12-01T22:05:15Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳(メタデータ) (2020-04-22T07:30:56Z) - 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) - A Generalized Deep Learning Framework for Whole-Slide Image Segmentation
and Analysis [0.20065923589074736]
病理組織分析は癌診断と予後における金の基準と考えられている。
深層学習に基づく技術は、さまざまな画像解析タスクにおいて、最先端の成果を提供している。
本稿では,病理組織像解析のためのディープラーニングベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2020-01-01T18:05:44Z)
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。