論文の概要: Machine-Learning-based Colorectal Tissue Classification via Acoustic Resolution Photoacoustic Microscopy

• arxiv url: http://arxiv.org/abs/2307.08556v1
• Date: Mon, 17 Jul 2023 15:15:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 12:35:43.036473
• Title: Machine-Learning-based Colorectal Tissue Classification via Acoustic Resolution Photoacoustic Microscopy
• Title（参考訳）: 音響分解能光音響顕微鏡による大腸組織分類
• Authors: Shangqing Tong, Peng Ge, Yanan Jiao, Zhaofu Ma, Ziye Li, Longhai Liu, Feng Gao, Xiaohui Du, Fei Gao
• Abstract要約: 大腸内視鏡では、がんによって影響を受ける組織の内部に詳細な情報を提供できないが、生検では組織を除去し、痛みと侵襲性がある。 音響分解能光音響顕微鏡(ARPAM)を用いた大腸組織分類のための機械学習手法について検討した。 提案手法の有効性を評価するため, 定量的および定性的に解析を行った。
• 参考スコア（独自算出の注目度）: 3.916910844026426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Colorectal cancer is a deadly disease that has become increasingly prevalent in recent years. Early detection is crucial for saving lives, but traditional diagnostic methods such as colonoscopy and biopsy have limitations. Colonoscopy cannot provide detailed information within the tissues affected by cancer, while biopsy involves tissue removal, which can be painful and invasive. In order to improve diagnostic efficiency and reduce patient suffering, we studied machine-learningbased approach for colorectal tissue classification that uses acoustic resolution photoacoustic microscopy (ARPAM). With this tool, we were able to classify benign and malignant tissue using multiple machine learning methods. Our results were analyzed both quantitatively and qualitatively to evaluate the effectiveness of our approach.
• Abstract（参考訳）: 大腸癌は近年急速に流行している致命的な疾患である。 早期発見は命を救うのに不可欠であるが、大腸内視鏡や生検などの従来の診断方法には限界がある。 大腸内視鏡検査では、がんによって影響を受ける組織の内部で詳細な情報を提供することはできないが、生検では組織を除去する。 診断効率の向上と患者の苦痛を軽減するために,音響分解能光音響顕微鏡(arpam)を用いた大腸組織分類の機械学習によるアプローチを検討した。 このツールを使用して,複数の機械学習手法を用いて良性組織と悪性組織を分類することができた。 提案手法の有効性を評価するため, 定量的および定性的に解析を行った。

関連論文リスト

• Renal Cell Carcinoma subtyping: learning from multi-resolution localization [1.5728609542259502]
  本研究では,機械学習診断ツールの自己指導型学習戦略について検討する。 ツールの精度を大幅に低下させることなく、アノテーション付きデータセットの必要性を減らすことを目指している。 腎癌サブタイプのためのスライド画像データセット全体に対して,本ツールの分類能力を実証し,本ソリューションを最先端の分類手法と比較した。
  論文  参考訳（メタデータ） (2024-11-14T14:21:49Z)
• Let it shine: Autofluorescence of Papanicolaou-stain improves AI-based cytological oral cancer detection [3.1850395068284785]
  早期に検出された口腔癌は治療可能であるが、後期に致命的になることが多い。 コンピュータ支援法は、費用対効果と正確な細胞学的解析に不可欠である。 本研究は,マルチモーダルイメージングとディープフュージョンを用いた,AIによる口腔癌検出の改善を目的とする。
  論文  参考訳（メタデータ） (2024-07-02T01:05:35Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Robust Tumor Detection from Coarse Annotations via Multi-Magnification Ensembles [11.070094685209598]
  乳癌患者のセンチネルリンパ節のオープンなCAMELYON16データセットにおいて,転移の検出精度を大幅に向上する新しいアンサンブル法を提案する。 臨床的に癌診断に有用であることを示すため,本法により良好な結果が得られた。
  論文  参考訳（メタデータ） (2023-03-29T08:41:22Z)
• A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
  病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。 がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。 本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-09-27T14:08:19Z)
• 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)
• 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)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• 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)
• Deep Transfer Learning for Texture Classification in Colorectal Cancer Histology [0.0]
  偏微分微調整と一サイクル政治を併用し,構造保存色正規化を適用して結果を向上する。 96.2%の最先端テスト精度を達成することで、メモリ制限ハードウェアにSqueezeNetと呼ばれるデプロイメントフレンドリなアーキテクチャの使用も開始しました。
  論文  参考訳（メタデータ） (2020-04-03T15:05:36Z)

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。