論文の概要: Predicting Ki67, ER, PR, and HER2 Statuses from H&E-stained Breast
Cancer Images
- arxiv url: http://arxiv.org/abs/2308.01982v1
- Date: Thu, 3 Aug 2023 18:31:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-07 14:51:38.428631
- Title: Predicting Ki67, ER, PR, and HER2 Statuses from H&E-stained Breast
Cancer Images
- Title(参考訳): H&E乳がん画像からのKi67, ER, PR, HER2の予測
- Authors: Amir Akbarnejad, Nilanjan Ray, Penny J. Barnes, Gilbert Bigras
- Abstract要約: Ki67, ER, PR, HER2ステータスの信頼性測定が可能な大規模データセットを構築した。
ViTベースのパイプラインは、適切なラベル付けプロトコルでトレーニングされた場合、AUC(Area Under the Curve)の約90%の予測性能を達成することができる。
- 参考スコア(独自算出の注目度): 9.080472817672263
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Despite the advances in machine learning and digital pathology, it is not yet
clear if machine learning methods can accurately predict molecular information
merely from histomorphology. In a quest to answer this question, we built a
large-scale dataset (185538 images) with reliable measurements for Ki67, ER,
PR, and HER2 statuses. The dataset is composed of mirrored images of H\&E and
corresponding images of immunohistochemistry (IHC) assays (Ki67, ER, PR, and
HER2. These images are mirrored through registration. To increase reliability,
individual pairs were inspected and discarded if artifacts were present (tissue
folding, bubbles, etc). Measurements for Ki67, ER and PR were determined by
calculating H-Score from image analysis. HER2 measurement is based on binary
classification: 0 and 1+ (IHC scores representing a negative subset) vs 3+ (IHC
score positive subset). Cases with IHC equivocal score (2+) were excluded. We
show that a standard ViT-based pipeline can achieve prediction performances
around 90% in terms of Area Under the Curve (AUC) when trained with a proper
labeling protocol. Finally, we shed light on the ability of the trained
classifiers to localize relevant regions, which encourages future work to
improve the localizations. Our proposed dataset is publicly available:
https://ihc4bc.github.io/
- Abstract(参考訳): 機械学習とデジタル病理学の進歩にもかかわらず、機械学習の手法が組織形態だけで分子情報を正確に予測できるかどうかはまだ分かっていない。
この問題に対処するために,Ki67,ER,PR,HER2ステータスの信頼性の高い大規模データセット(185538画像)を構築した。
このデータセットは、H\&Eのミラー画像と、免疫組織化学(IHC)アッセイ(Ki67、ER、PR、HER2)の対応する画像からなる。
これらの画像は登録によって反映される。
信頼性を高めるため、個々のペアを検査し、アーティファクト(折り畳み、バブルなど)があれば破棄した。
画像解析により,Ki67,ER,PRの測定値をHスコアで算出した。
HER2測定は、0と1+(負のサブセットを表すIHCスコア)対3+(IHCスコア正のサブセット)という二項分類に基づいている。
IHC同値スコア(2+)は除外された。
標準vitベースのパイプラインでは,適切なラベリングプロトコルを用いてトレーニングした場合,曲線下領域 (auc) の約90%の予測性能が得られる。
最後に、訓練された分類器が関連する領域をローカライズする能力に光を当て、ローカライズを改善するための今後の取り組みを奨励する。
提案したデータセットは, https://ihc4bc.github.io/ で公開されている。
関連論文リスト
- A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳(メタデータ) (2023-10-30T11:13:40Z) - 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) - 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) - Improving Disease Classification Performance and Explainability of Deep
Learning Models in Radiology with Heatmap Generators [0.0]
3つの実験セットがU-Netアーキテクチャを用いて行われ、分類性能が向上した。
最大の改善点は「肺炎」クラスと「CHF」クラスであり、ベースラインモデルは分類に最も苦労した。
論文 参考訳(メタデータ) (2022-06-28T13:03:50Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳(メタデータ) (2021-10-19T00:03:57Z) - SlideGraph+: Whole Slide Image Level Graphs to Predict HER2Status in
Breast Cancer [1.8374319565577157]
本稿では,HER2のステータスをHematoxylinおよびEosinスライドの全スライディング画像から直接予測する新しいグラフニューラルネットワーク(GNN)モデルを提案する。
提案手法は,TCGAでは0.75,独立したテストセットでは0.8,ROC曲線(順序付け)値では0。
論文 参考訳(メタデータ) (2021-10-12T14:40:15Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳(メタデータ) (2021-08-07T10:12:42Z) - Automatic quality control of brain T1-weighted magnetic resonance images
for a clinical data warehouse [2.242826692380864]
大規模臨床データウェアハウスにおける3D T1強調脳MRIの自動QCのための畳み込みニューラルネットワーク(CNN)を提案する。
具体的には, 1) 適切なT1強調脳MRI画像の同定, 2) ガドリニウムを注入した画像の取得, 3) 画像の全体的な品質を評価することであった。
論文 参考訳(メタデータ) (2021-04-16T14:27:43Z) - A Pressure Ulcer Care System For Remote Medical Assistance: Residual
U-Net with an Attention Model Based for Wound Area Segmentation [1.2053281584624362]
本論文では,画像処理技術を用いて加圧潰瘍管理を支援する遠隔医療アシスタントを提案する。
提案システムは,創傷分類と解析のための深層学習モデルを備えた移動体アプリケーションを含む。
得られたモデルは、99.0%の精度、99.99%のユニオン上の交差(IoU)、および圧力潰瘍分割のための93.4%の類似係数(DSC)を提供する。
論文 参考訳(メタデータ) (2021-01-23T06:45:52Z) - CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in
MPR Images [0.0]
MPR画像における狭窄の重症度を同定する自動モデルを開発した。
このモデルは3つのクラスのうちの1つを予測している: 正常の'no stenosis'、検出された'non-significant' - 1-50%の狭窄、'significant' - 50%以上の狭窄。
狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。
論文 参考訳(メタデータ) (2020-01-23T15:20:22Z)
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。