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

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Semi-Supervised Segmentation via Embedding Matching [0.8896991256227597]
  深層畳み込みニューラルネットワークは医用画像セグメンテーションで広く使われているが、訓練には多くのラベル付き画像を必要とする。 本稿では,ほとんどラベルのない画像とラベル付き画像の小さなセットをトレーニングで活用する,新しい半教師付きセグメンテーション手法を提案する。 提案手法はハースドルフの95番目のパーセンタイル (HD95) と0.929のイオウ (IoU) で、HD95 (4.07) とイオウ (0.927) を最短で上回った。
  論文  参考訳（メタデータ） (2024-07-05T16:49:21Z)
• Fair Text to Medical Image Diffusion Model with Subgroup Distribution Aligned Tuning [12.064840522920251]
  医用画像へのテキスト・トゥ・メディカル・イメージ (T2MedI) の潜伏拡散モデルは, 医用画像データの不足を緩和する大きな可能性を秘めている。 しかし、自然画像モデルへのテキストとして、T2MedIモデルは一部のサブグループにも偏りがあり、トレーニングセットの少数派を見渡すことができる。 そこで本研究では,まず,CLIPテキストエンコーダを固定した,事前学習型 Imagen モデルに基づく T2MedI モデルを構築した。 そのデコーダは、C.のRadiology Objectsの医療画像に微調整されている。
  論文  参考訳（メタデータ） (2024-06-21T03:23:37Z)
• 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)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• 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)
• 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)
• 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。