Fugu-MT 論文翻訳(概要): Towards More Transparent and Accurate Cancer Diagnosis with an Unsupervised CAE Approach

論文の概要: Towards More Transparent and Accurate Cancer Diagnosis with an Unsupervised CAE Approach

arxiv url: http://arxiv.org/abs/2305.11728v1
Date: Fri, 19 May 2023 15:04:16 GMT
ステータス: 処理完了
システム内更新日: 2023-05-22 14:00:12.437394
Title: Towards More Transparent and Accurate Cancer Diagnosis with an Unsupervised CAE Approach
Title（参考訳）: 非教師的CAEアプローチによるより透明で正確な癌診断に向けて
Authors: Zahra Tabatabaei, Adrian Colomer, Javier Oliver Moll, Valery Naranjo
Abstract要約: CBMIR(Content-Based Medical Image Retrieval)を利用したデジタル病理診断 UCBMIRは従来のがん診断ワークフローを再現し、WSIベースの診断結論における病理医を支援するための信頼性の高い方法を提供する。
参考スコア（独自算出の注目度）: 1.6704594205447996
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Digital pathology has revolutionized cancer diagnosis by leveraging Content-Based Medical Image Retrieval (CBMIR) for analyzing histopathological Whole Slide Images (WSIs). CBMIR enables searching for similar content, enhancing diagnostic reliability and accuracy. In 2020, breast and prostate cancer constituted 11.7% and 14.1% of cases, respectively, as reported by the Global Cancer Observatory (GCO). The proposed Unsupervised CBMIR (UCBMIR) replicates the traditional cancer diagnosis workflow, offering a dependable method to support pathologists in WSI-based diagnostic conclusions. This approach alleviates pathologists' workload, potentially enhancing diagnostic efficiency. To address the challenge of the lack of labeled histopathological images in CBMIR, a customized unsupervised Convolutional Auto Encoder (CAE) was developed, extracting 200 features per image for the search engine component. UCBMIR was evaluated using widely-used numerical techniques in CBMIR, alongside visual evaluation and comparison with a classifier. The validation involved three distinct datasets, with an external evaluation demonstrating its effectiveness. UCBMIR outperformed previous studies, achieving a top 5 recall of 99% and 80% on BreaKHis and SICAPv2, respectively, using the first evaluation technique. Precision rates of 91% and 70% were achieved for BreaKHis and SICAPv2, respectively, using the second evaluation technique. Furthermore, UCBMIR demonstrated the capability to identify various patterns in patches, achieving an 81% accuracy in the top 5 when tested on an external image from Arvaniti.
Abstract（参考訳）: デジタル病理学は、CBMIR(Content-Based Medical Image Retrieval)を用いて、病理組織学的全スライド画像(WSIs)を分析し、がん診断に革命をもたらした。 CBMIRは類似したコンテンツの検索を可能にし、診断の信頼性と精度を向上させる。 2020年、乳がんと前立腺がんはそれぞれ11.7%と14.1%を占め、Global Cancer Observatory (GCO)が報告した。提案した Unsupervised CBMIR (UCBMIR) は従来のがん診断ワークフローを再現し、WSIベースの診断結論における病理医を支援するための信頼性の高い方法を提供する。このアプローチは病理医の作業負荷を軽減し、診断効率を向上させる可能性がある。 cbmirにおけるラベル付き病理像の欠如に対処すべく,cae(unsupervised convolutional auto encoder)をカスタマイズし,検索エンジンコンポーネントの画像毎に200個の特徴を抽出した。 UCBMIR は CBMIR で広く使われている数値手法を用いて評価され,視覚的評価と分類器との比較を行った。検証には3つの異なるデータセットが含まれ、その効果を外部で評価した。 UCBMIRは、最初の評価手法を用いて、BreaKHisとSICAPv2で上位5回のリコールを99%、80%達成した。第2の評価手法を用いて, BreaKHis と SICAPv2 の精度を 91% と 70% とした。さらにUCBMIRは、パッチ内のさまざまなパターンを識別する機能を示し、Arvanitiの外部イメージでテストすると、トップ5で81%の精度を達成した。

関連論文リスト

Optimizing Synthetic Correlated Diffusion Imaging for Breast Cancer Tumour Delineation [71.91773485443125]
CDI$s$ - 最適化されたモダリティにより最高のAUCが達成され、金標準のモダリティが0.0044より優れていることを示す。特に、最適化されたCDI$s$モダリティは、最適化されていないCDI$s$値よりも0.02以上のAUC値を達成する。
論文参考訳（メタデータ） (2024-05-13T16:07:58Z)
Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文参考訳（メタデータ） (2024-05-13T15:48:26Z)
Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文参考訳（メタデータ） (2024-05-13T15:40:56Z)
Breast Histopathology Image Retrieval by Attention-based Adversarially Regularized Variational Graph Autoencoder with Contrastive Learning-Based Feature Extraction [1.48419209885019]
本研究は,乳房組織像検索のための新しいアテンションベース逆正則変分グラフオートエンコーダモデルを提案する。乳がん組織像の2つの公開データセットを用いて,提案モデルの性能評価を行った。
論文参考訳（メタデータ） (2024-05-07T11:24:37Z)
Deformable MRI Sequence Registration for AI-based Prostate Cancer Diagnosis [2.102189448685959]
PI-CAI(Prostate Imaging: Cancer AI)の課題は、臨床上重要な前立腺がん検出のための専門家レベルの診断アルゴリズムに繋がった。これらのアルゴリズムは、T2重み付きおよび拡散重み付きスキャンからなる、バイパラメトリックMRIスキャンを入力として受信する。これらのスキャンは、スキャンプロセスの複数の要因により、不整合が生じる可能性がある。画像登録は、シーケンス間の変形を予測することでこの問題を軽減することができる。
論文参考訳（メタデータ） (2024-04-15T10:57:16Z)
Cancer-Net PCa-Data: An Open-Source Benchmark Dataset for Prostate Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [75.77035221531261]
Cancer-Net PCa-Dataは、PCa患者の画像データであるボリュームCDI$s$のオープンソースベンチマークデータセットである。 Cancer-Net PCa-Dataは、PCa用のCDI$s$画像データの最初の公開データセットである。
論文参考訳（メタデータ） (2023-11-20T10:28:52Z)
HGT: A Hierarchical GCN-Based Transformer for Multimodal Periprosthetic Joint Infection Diagnosis Using CT Images and Text [0.0]
補綴関節感染症(PJI)は重篤な合併症である。現在,CT画像とPJIの数値テキストデータを組み合わせた統一診断基準が確立されていない。本研究では,ディープラーニングとマルチモーダル技術に基づく診断手法であるHGTを紹介する。
論文参考訳（メタデータ） (2023-05-29T11:25:57Z)
Classification of Breast Tumours Based on Histopathology Images Using Deep Features and Ensemble of Gradient Boosting Methods [0.0]
提案するCADシステムの特徴抽出器の主案として,Deep Feature Transfer Learningが用いられている。 Inception-ResNet-v2は乳癌の病理組織像において最も優れた特徴抽出能を示した。分類段階では,CatBoost,XGBoost,LightGBMのアンサンブルが最も平均精度が高い。
論文参考訳（メタデータ） (2022-09-03T09:27:00Z)
Lesion detection in contrast enhanced spectral mammography [0.0]
近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
論文参考訳（メタデータ） (2022-07-20T06:49:02Z)
Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文参考訳（メタデータ） (2022-02-17T08:33:52Z)
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)

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。