論文の概要: Addressing Uncertainty in Imbalanced Histopathology Image Classification
of HER2 Breast Cancer: An interpretable Ensemble Approach with Threshold
Filtered Single Instance Evaluation (SIE)
- arxiv url: http://arxiv.org/abs/2308.00806v2
- Date: Fri, 27 Oct 2023 00:58:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 17:01:22.698964
- Title: Addressing Uncertainty in Imbalanced Histopathology Image Classification
of HER2 Breast Cancer: An interpretable Ensemble Approach with Threshold
Filtered Single Instance Evaluation (SIE)
- Title（参考訳）: her2乳癌の非平衡組織病理像分類における不確かさの解消--single instance evaluation(sie)を用いた解釈可能なアンサンブルアプローチ
- Authors: Md Sakib Hossain Shovon, M. F. Mridha, Khan Md Hasib, Sultan
Alfarhood, Mejdl Safran, and Dunren Che
- Abstract要約: 早期診断は、患者が効率的な治療決定を行うのを助けることで死亡率を軽減することができる。
HER2は乳癌の最も致命的な亜型である。
DenseNet201とXceptionは単一の分類器にまとめられた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Breast Cancer (BC) is among women's most lethal health concerns. Early
diagnosis can alleviate the mortality rate by helping patients make efficient
treatment decisions. Human Epidermal Growth Factor Receptor (HER2) has become
one the most lethal subtype of BC. According to the College of American
Pathologists American Society of Clinical Oncology (CAP/ASCO), the severity
level of HER2 expression can be classified between 0 and 3+ range. HER2 can be
detected effectively from immunohistochemical (IHC) and, hematoxylin & eosin
(HE) images of different classes such as 0, 1+, 2+, and 3+. An ensemble
approach integrated with threshold filtered single instance evaluation (SIE)
technique has been proposed in this study to diagnose BC from the
multi-categorical expression of HER2 subtypes. Initially, DenseNet201 and
Xception have been ensembled into a single classifier as feature extractors
with an effective combination of global average pooling, dropout layer, dense
layer with a swish activation function, and l2 regularizer, batch
normalization, etc. After that, extracted features has been processed through
single instance evaluation (SIE) to determine different confidence levels and
adjust decision boundary among the imbalanced classes. This study has been
conducted on the BC immunohistochemical (BCI) dataset, which is classified by
pathologists into four stages of HER2 BC. This proposed approach known as
DenseNet201-Xception-SIE with a threshold value of 0.7 surpassed all other
existing state-of-art models with an accuracy of 97.12%, precision of 97.15%,
and recall of 97.68% on H&E data and, accuracy of 97.56%, precision of 97.57%,
and recall of 98.00% on IHC data respectively, maintaining momentous
improvement. Finally, Grad-CAM and Guided Grad-CAM have been employed in this
study to interpret, how TL-based model works on the histopathology dataset and
make decisions from the data.
- Abstract（参考訳）: 乳癌は女性にとって最も致命的な健康問題の一つである。
早期診断は、患者の効率的な治療決定を助けることによって死亡率を軽減できる。
ヒト上皮成長因子受容体(her2)はbcで最も致死的なサブタイプである。
The College of American Pathologists American Society of Clinical Oncology (CAP/ASCO)によると、HER2の発現の重症度は0から3+の範囲に分類できる。
her2は免疫組織化学(ihc)およびヘマトキシリンおよびエオシン(he)の0,1+,2+,3+などの異なるクラスの画像から効果的に検出できる。
本研究では,HER2サブタイプの多分類式からBCの診断を行うために,しきい値フィルタによる単一インスタンス評価(SIE)手法を統合したアンサンブル手法を提案する。
当初、angrynet201とxceptionは、グローバル平均プーリング、ドロップアウト層、スウィッシュアクティベーション関数付き密層、l2正規化、バッチ正規化などの効果的な組み合わせにより、特徴抽出器として単一の分類器にまとめられていた。
その後、抽出された特徴を単一インスタンス評価(SIE)によって処理し、信頼度を判定し、不均衡なクラス間の決定境界を調整する。
この研究は、病理学者によってHER2 BCの4段階に分類されるBC免疫組織化学(BCI)データセットに基づいて行われた。
しきい値 0.7 の densenet201-xception-sie と呼ばれるこのアプローチは、97.12% の精度、97.15% の精度、97.68% のh&eデータ、97.68% のリコール、97.56% の精度、97.57% の精度、98.00% の ihc データのリコールといった既存の全ての最先端モデルを上回る。
最後に, grad-camとガイド型grad-camを用いて, tlモデルが病理組織学的データセットにどのように作用するかを解釈し, データから判断する。
関連論文リスト
- Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Towards More Transparent and Accurate Cancer Diagnosis with an
Unsupervised CAE Approach [1.6704594205447996]
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。
論文 参考訳（メタデータ） (2023-05-19T15:04:16Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Interpretable HER2 scoring by evaluating clinical Guidelines through a
weakly supervised, constrained Deep Learning Approach [0.0]
本稿では病理学者によるHER2スコアの解釈可能性に焦点を当てる。
臨床HER2ガイドラインを直接評価する半自動2段階深層学習手法を提案する。
本研究は,F1スコアで0.78の成績を得られた。
論文 参考訳（メタデータ） (2022-11-17T14:28:35Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Probabilistic combination of eigenlungs-based classifiers for COVID-19
diagnosis in chest CT images [6.1020196190084555]
新型コロナウイルスの感染者数は1億人以上で、2400万人以上が死亡している。
胸部X線(CXR)や胸部CT(CCT)などの医療画像の使用は、優れたソリューションであることが証明されています。
肺炎パターンを同定するために,確率的支援ベクトルマシン(SVM)に基づくアンサンブル分類器を提案する。
論文 参考訳（メタデータ） (2021-03-04T11:30:38Z) - Deep Learning-based Computational Pathology Predicts Origins for Cancers
of Unknown Primary [2.645435564532842]
原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。
最近の研究は、腫瘍原点の同定にゲノム学と転写学を使うことに重点を置いている。
深層学習に基づくCUPの差分診断が可能な計算病理アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-24T17:59:36Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。