論文の概要: Physical Color Calibration of Digital Pathology Scanners for Robust Artificial Intelligence Assisted Cancer Diagnosis

• arxiv url: http://arxiv.org/abs/2307.05519v1
• Date: Fri, 7 Jul 2023 12:02:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-16 03:23:48.247767
• Title: Physical Color Calibration of Digital Pathology Scanners for Robust Artificial Intelligence Assisted Cancer Diagnosis
• Title（参考訳）: ロバストな人工知能支援癌診断のためのデジタル病理スキャナーの物理色校正
• Authors: Xiaoyi Ji, Richard Salmon, Nita Mulliqi, Umair Khan, Yinxi Wang, Anders Blilie, Henrik Olsson, Bodil Ginnerup Pedersen, Karina Dalsgaard S{\o}rensen, Benedicte Parm Ulh{\o}i, Svein R Kjosavik, Emilius AM Janssen, Mattias Rantalainen, Lars Egevad, Pekka Ruusuvuori, Martin Eklund, Kimmo Kartasalo
• Abstract要約: デジタル病理学における人工知能の可能性は、スライド画像全体の製造における技術的不整合によって制限される。 スキャナの物理的カラーキャリブレーションはWSIの外観を標準化し、堅牢なAI性能を実現する。
• 参考スコア（独自算出の注目度）: 2.5088131681242483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The potential of artificial intelligence (AI) in digital pathology is limited by technical inconsistencies in the production of whole slide images (WSIs), leading to degraded AI performance and posing a challenge for widespread clinical application as fine-tuning algorithms for each new site is impractical. Changes in the imaging workflow can also lead to compromised diagnoses and patient safety risks. We evaluated whether physical color calibration of scanners can standardize WSI appearance and enable robust AI performance. We employed a color calibration slide in four different laboratories and evaluated its impact on the performance of an AI system for prostate cancer diagnosis on 1,161 WSIs. Color standardization resulted in consistently improved AI model calibration and significant improvements in Gleason grading performance. The study demonstrates that physical color calibration provides a potential solution to the variation introduced by different scanners, making AI-based cancer diagnostics more reliable and applicable in clinical settings.
• Abstract（参考訳）: デジタル病理学における人工知能(AI)のポテンシャルは、スライド画像全体(WSI)の製造における技術的不整合によって制限され、AIのパフォーマンスが低下し、新しいサイトの微調整アルゴリズムとして広く臨床応用される上での課題となる。 画像のワークフローの変化は、患者の診断と安全性のリスクを損なう可能性がある。 スキャナのカラーキャリブレーションがWSIの外観を標準化し、堅牢なAI性能を実現することができるかどうかを評価した。 4つの異なる研究室でカラーキャリブレーションスライドを実施し,1,161wsisの前立腺癌診断におけるaiシステムの性能評価を行った。 カラー標準化により、AIモデルのキャリブレーションが一貫して改善され、グリーソングレーディング性能が大幅に改善された。 この研究は、物理的カラーキャリブレーションが、異なるスキャナーによってもたらされるバリエーションの潜在的な解決策となり、aiベースのがん診断をより信頼性が高く、臨床環境に適用できることを示した。

関連論文リスト

• Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
  本研究は,人工知能(AI)モデルを用いた医用合成データ生成の臨床評価に焦点を当てた。 本論文は,a) 医用専門家による合成画像の体系的評価のためのプロトコルを提示し,b) 高分解能WCE画像合成のための新しい変分オートエンコーダモデルであるTIDE-IIを評価する。 その結果、TIDE-IIは臨床的に関連性のあるWCE画像を生成し、データの不足に対処し、診断ツールの強化に役立つことがわかった。
  論文  参考訳（メタデータ） (2024-10-31T19:48:50Z)
• Generating Seamless Virtual Immunohistochemical Whole Slide Images with Content and Color Consistency [2.063403009505468]
  免疫組織化学(IHC)染色は、病理医の医療画像解析において重要な役割を担い、様々な疾患の診断に重要な情報を提供する。 ヘマトキシリンとエオシン(H&E)を染色した全スライド画像(WSI)の仮想染色により、高価な物理的染色プロセスなしで他の有用なICC染色を自動生成することができる。 タイルワイズ処理に基づく現在の仮想WSI生成法は、タイル境界における内容、テクスチャ、色の不整合に悩まされることが多い。 GANモデルを拡張した新しい一貫したWSI合成ネットワークCC-WSI-Netを提案する。
  論文  参考訳（メタデータ） (2024-10-01T21:02:16Z)
• Deep intra-operative illumination calibration of hyperspectral cameras [73.08443963791343]
  ハイパースペクトルイメージング (HSI) は, 様々な手術応用に期待できる新しい画像モダリティとして出現している。 手術室における照明条件の動的変化がHSIアプリケーションの性能に劇的な影響を及ぼすことを示す。 手術中におけるハイパースペクトル画像の自動再構成のための新しい学習ベースアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-11T08:30:03Z)
• Scalable, Trustworthy Generative Model for Virtual Multi-Staining from H&E Whole Slide Images [0.0]
  化学染色法は信頼性が高いが、幅広い時間と高価な化学物質を必要とし、環境問題を引き起こす。 ジェネレーティブAI技術は、これらの問題に対処する上で重要である。 我々の研究は、仮想染色に生成AIを導入し、計算病理学における性能、信頼性、スケーラビリティ、適応性を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-26T21:52:05Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Synthetic DOmain-Targeted Augmentation (S-DOTA) Improves Model Generalization in Digital Pathology [1.488519799639108]
  機械学習アルゴリズムは、デジタル病理学における患者の結果を改善する可能性がある。 一般化は、組織製剤、染色手順、走査装置の変化に対する感受性によって制限される。 合成DOmain-Targeted Augmentation (S-DOTA) 法,すなわち CycleGAN 対応 Scanner Transform (ST) と Stain Vector Augmentation (SVA) の有効性を検討した。 我々は,これらの手法が様々なタスクや設定に対するモデル一般化を改善する能力を評価した。
  論文  参考訳（メタデータ） (2023-05-03T19:53:30Z)
• Hospital-Agnostic Image Representation Learning in Digital Pathology [0.7412445894287709]
  デジタル病理学における全スライド画像(WSI)は、がんの亜型を診断するために用いられる。 各種試験場でのWSI取得手順の違いは,病理組織像の変動を引き起こす。 本研究では,DNN(Deep Neural Network)の一般化能力向上のために,ドメイン一般化手法を活用する。
  論文  参考訳（メタデータ） (2022-04-05T11:45:46Z)
• 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)
• Improving Clinical Diagnosis Performance with Automated X-ray Scan Quality Enhancement Algorithms [0.9137554315375919]
  臨床診断において、医療画像には、ノイズ、ぼかし、故障装置によって導入された欠陥アーチファクトが含まれている可能性がある。 本稿では,医用画像の超解像処理に適応し,ベンチマークを行うための画像品質改善手法を提案する。
  論文  参考訳（メタデータ） (2022-01-17T07:27:03Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Review of Artificial Intelligence Techniques in Imaging Data Acquisition, Segmentation and Diagnosis for COVID-19 [71.41929762209328]
  新型コロナウイルス感染症(COVID-19)のパンデミックは世界中に広がっている。 X線やCT(Computerd Tomography)などの医用画像は、世界的な新型コロナウイルス対策に欠かせない役割を担っている。 最近登場した人工知能(AI)技術は、画像ツールの力を強化し、医療専門家を支援する。
  論文  参考訳（メタデータ） (2020-04-06T15:21:34Z)

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。