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
- 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) - Deep learning in computed tomography pulmonary angiography imaging: a
dual-pronged approach for pulmonary embolism detection [0.0]
本研究の目的は,深層学習技術を活用し,肺塞栓症(PE)のコンピュータ支援診断(CAD)を強化することである。
我々の分類システムは、注意機構を用いて局所的な文脈を利用する注意誘導畳み込みニューラルネットワーク(AG-CNN)を含む。
AG-CNNはFUMPEデータセット上で堅牢なパフォーマンスを実現し、AUROCは0.927、感度は0.862、特異性は0.879、F1スコアは0.805、Inception-v3バックボーンアーキテクチャは0.805である。
論文 参考訳(メタデータ) (2023-11-09T08:23:44Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - 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) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関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 BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳(メタデータ) (2023-04-12T05:41:44Z) - 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) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - Artificial Intelligence to Assist in Exclusion of Coronary
Atherosclerosis during CCTA Evaluation of Chest-Pain in the Emergency
Department: Preparing an Application for Real-World Use [6.9835031964130545]
冠状動脈硬化の欠如に対するCCTAスクリーニングにおける医師の解釈を支援するAIアルゴリズムとワークフローの開発について述べる。
このアルゴリズムは AUC-ROC = 0.96 で強い性能を示した。
このAIアプリケーションはCCTAの解釈を補助し、胸部ペーストによる動脈硬化を促進できる可能性がある。
論文 参考訳(メタデータ) (2020-08-10T16:07:04Z)
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。