論文の概要: DeformableFormer: Classification of Endoscopic Ultrasound Guided Fine Needle Biopsy in Pancreatic Diseases

• arxiv url: http://arxiv.org/abs/2304.10791v1
• Date: Fri, 21 Apr 2023 07:54:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-24 15:30:35.278421
• Title: DeformableFormer: Classification of Endoscopic Ultrasound Guided Fine Needle Biopsy in Pancreatic Diseases
• Title（参考訳）: DeformableFormer:膵疾患における内視鏡的超音波ガイド下針生検の分類
• Authors: Taiji Kurami, Takuya Ishikawa, Kazuhiro Hotta
• Abstract要約: 膵癌検査にはEUS-FNA(endoscopic Ultrasound-Fine Needle Aspiration)が用いられる。 EUS-FNAは、EUSを用いて腫瘍に細い針を挿入し、膵組織断片を採取する検査である。 膵組織断片は、膵癌かどうかを分類するために染色される。 本研究の目的は,不確定画像から検査可能か否かを分類し,専門医による視覚的分類の精度を超過することである。
• 参考スコア（独自算出の注目度）: 8.35780131268962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Endoscopic Ultrasound-Fine Needle Aspiration (EUS-FNA) is used to examine pancreatic cancer. EUS-FNA is an examination using EUS to insert a thin needle into the tumor and collect pancreatic tissue fragments. Then collected pancreatic tissue fragments are then stained to classify whether they are pancreatic cancer. However, staining and visual inspection are time consuming. In addition, if the pancreatic tissue fragment cannot be examined after staining, the collection must be done again on the other day. Therefore, our purpose is to classify from an unstained image whether it is available for examination or not, and to exceed the accuracy of visual classification by specialist physicians. Image classification before staining can reduce the time required for staining and the burden of patients. However, the images of pancreatic tissue fragments used in this study cannot be successfully classified by processing the entire image because the pancreatic tissue fragments are only a part of the image. Therefore, we propose a DeformableFormer that uses Deformable Convolution in MetaFormer framework. The architecture consists of a generalized model of the Vision Transformer, and we use Deformable Convolution in the TokenMixer part. In contrast to existing approaches, our proposed DeformableFormer is possible to perform feature extraction more locally and dynamically by Deformable Convolution. Therefore, it is possible to perform suitable feature extraction for classifying target. To evaluate our method, we classify two categories of pancreatic tissue fragments; available and unavailable for examination. We demonstrated that our method outperformed the accuracy by specialist physicians and conventional methods.
• Abstract（参考訳）: 膵癌検査にはEUS-FNA(endoscopic Ultrasound-Fine Needle Aspiration)が用いられる。 EUS-FNAは、EUSを用いて腫瘍に薄い針を挿入し、膵組織断片を採取する検査である。 その後、収集された膵組織断片を染色して膵癌かどうかを分類する。 しかし、染色と視覚検査は時間がかかる。 また, 染色後の膵組織破片の検査ができない場合は, その間, 回収を再開しなければならない。 そこで,本研究の目的は,検査可能か否かに関わらず画像から分類し,専門医による視覚的分類の精度を超過することである。 染色前の画像分類は、染色に要する時間と患者の負担を軽減することができる。 しかし,本研究で用いた膵組織断片の像は,膵組織断片は画像の一部に過ぎず,全体像を処理して分類することは不可能である。 そこで我々は,MetaFormerフレームワークでDeformable Convolutionを利用するDeformableFormerを提案する。 アーキテクチャは vision transformer の一般化モデルで構成されており、tokenmixer で変形可能な畳み込みを使用する。 既存のアプローチとは対照的に,提案したDeformableFormerは,Deformable Convolutionによってより局所的かつ動的に機能抽出を行うことができる。 したがって、ターゲットの分類に適した特徴抽出を行うことができる。 本手法を評価するために,膵組織フラグメントの2つのカテゴリを分類した。 本手法は,専門医や従来手法の精度に優れていた。

関連論文リスト

• Towards Automated Semantic Segmentation in Mammography Images [0.0]
  乳頭, 胸部筋, 線維腺組織, 脂肪組織を, 標準乳房造影画像で区分けするための深層学習ベースの枠組みを提案する。
  論文  参考訳（メタデータ） (2023-07-18T15:04:42Z)
• Multi-Contrast Computed Tomography Atlas of Healthy Pancreas [20.701287373470425]
  臓器特異的解析のための形態的変動に適応するためには,体積空間参照が必要である。 膵臓に特異的に最適化されたCTアトラスフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-02T18:16:21Z)
• Automated Whole Slide Imaging for Label-Free Histology using Photon Absorption Remote Sensing Microscopy [0.0]
  現在の染色法と高度なラベリング法は、しばしば破壊的であり、相互に相容れない。 最初の透過モード光子リモートセンシング顕微鏡を用いたラベルフリー組織学プラットフォームを提案する。
  論文  参考訳（メタデータ） (2023-04-26T12:36:19Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• Deepfake histological images for enhancing digital pathology [0.40631409309544836]
  我々は,クラスラベルに制約された病理像を合成する生成逆ネットワークモデルを開発した。 前立腺および大腸組織像の合成におけるこの枠組みの有用性について検討した。 大腸生検によるより複雑な画像へのアプローチを拡張し,そのような組織における複雑な微小環境も再現可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-16T17:11:08Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• 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)
• 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)
• 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)

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。