論文の概要: A Preliminary Investigation into Search and Matching for Tumour
Discrimination in WHO Breast Taxonomy Using Deep Networks
- arxiv url: http://arxiv.org/abs/2308.11162v1
- Date: Tue, 22 Aug 2023 03:40:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 19:15:42.634846
- Title: A Preliminary Investigation into Search and Matching for Tumour
Discrimination in WHO Breast Taxonomy Using Deep Networks
- Title（参考訳）: 深層ネットワークを用いたwho乳房分類における腫瘍識別の検索とマッチングに関する予備的検討
- Authors: Abubakr Shafique, Ricardo Gonzalez, Liron Pantanowitz, Puay Hoon Tan,
Alberto Machado, Ian A Cree, and Hamid R. Tizhoosh
- Abstract要約: 最先端の深層学習モデルから抽出した深部像を用いて,35種類の腫瘍のWHO乳房分類を解析した。
WHOの乳腺分類データにおけるパッチ類似性検索は、「多数投票」による検証で88%以上の精度に達した。
これらの結果から, 乳房病変と乳房病変の複雑な関係について, 索引付きデジタルアーカイブを用いて検討した。
- 参考スコア（独自算出の注目度）: 3.3519874057464283
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Breast cancer is one of the most common cancers affecting women worldwide.
They include a group of malignant neoplasms with a variety of biological,
clinical, and histopathological characteristics. There are more than 35
different histological forms of breast lesions that can be classified and
diagnosed histologically according to cell morphology, growth, and architecture
patterns. Recently, deep learning, in the field of artificial intelligence, has
drawn a lot of attention for the computerized representation of medical images.
Searchable digital atlases can provide pathologists with patch matching tools
allowing them to search among evidently diagnosed and treated archival cases, a
technology that may be regarded as computational second opinion. In this study,
we indexed and analyzed the WHO breast taxonomy (Classification of Tumours 5th
Ed.) spanning 35 tumour types. We visualized all tumour types using deep
features extracted from a state-of-the-art deep learning model, pre-trained on
millions of diagnostic histopathology images from the TCGA repository.
Furthermore, we test the concept of a digital "atlas" as a reference for search
and matching with rare test cases. The patch similarity search within the WHO
breast taxonomy data reached over 88% accuracy when validating through
"majority vote" and more than 91% accuracy when validating using top-n tumour
types. These results show for the first time that complex relationships among
common and rare breast lesions can be investigated using an indexed digital
archive.
- Abstract（参考訳）: 乳がんは世界中で女性に影響を及ぼす最も一般的ながんの1つである。
悪性腫瘍群を含み、様々な生物学的、臨床的、病理組織学的特徴を持つ。
35以上の異なる病理形態の乳腺病変があり、細胞の形態、成長、建築パターンに応じて組織学的に分類・診断することができる。
近年、人工知能の分野では、深層学習が医療画像のコンピュータ化表現に多くの注目を集めている。
検索可能なデジタルアトラスは、病理学者にパッチマッチングツールを提供することで、明らかに診断され治療された考古学的症例の中から検索することができる。
本研究では,35型にわたるWHO乳腺分類(Tumours 5th Ed.)を索引化し,解析した。
TCGAレポジトリから数百万の診断組織像に基づいて,最先端の深層学習モデルから抽出した深部特徴を用いて,すべての腫瘍型を可視化した。
さらに,デジタル"atlas"の概念を,希少なテストケースの検索とマッチングの基準としてテストした。
WHOの乳腺分類データのパッチ類似性検索は、「多数投票」による検証では88%以上、トップn型を用いた検査では91%以上の精度に達した。
これらの結果から, 乳房病変と乳房病変の複雑な関係について, 索引付きデジタルアーカイブを用いて検討した。
関連論文リスト
- Computer Aided Detection and Classification of mammograms using Convolutional Neural Network [0.0]
乳癌は、肺癌に次いで、女性の間で最も大きな死因の1つである。
ディープラーニング(Deep Learning)またはニューラルネットワーク(Neural Network)は、正常な乳房の識別と不規則な乳房の識別に使用できる手法の1つである。
CNNMデータセットは、正常な460枚の画像と異常な乳房の920枚の画像で使用されている。
論文 参考訳（メタデータ） (2024-09-04T03:42:27Z) - Breast Cancer Classification Based on Histopathological Images Using a
Deep Learning Capsule Network [0.0]
本研究は, 病理組織像(HIs)を用いて, 異なる種類の乳癌を分類することを目的とする。
本稿では、Res2Netブロックと4つの畳み込み層を用いて、マルチスケールの特徴を抽出する拡張カプセルネットワークを提案する。
結果として、新しいメソッドは、可能な限り最高の機能を自動で学習するため、古いメソッドよりも優れています。
論文 参考訳（メタデータ） (2022-08-01T03:45:36Z) - AI-based Carcinoma Detection and Classification Using Histopathological
Images: A Systematic Review [8.355946670746413]
癌の亜型であり、全がん症例の80%以上を占める。
多くの研究者が癌の検出と分類を自動化する方法を報告している。
癌診断の自動化における人工知能の利用の増加は、ディープ・ネットワーク・モデルの使用の著しい増加を示している。
論文 参考訳（メタデータ） (2022-01-18T12:03:09Z) - 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) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - DenseNet for Breast Tumor Classification in Mammographic Images [0.0]
本研究の目的は,マンモグラフィ画像における乳腺病変の自動検出,分画,分類のための深層畳み込みニューラルネットワーク手法を構築することである。
ディープラーニングに基づいて,選択と抽出を特徴とするmask-cnn(roialign)法を開発し,drknet architectureを用いて分類を行った。
論文 参考訳（メタデータ） (2021-01-24T03:30:59Z) - 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) - Segmentation for Classification of Screening Pancreatic Neuroendocrine
Tumors [72.65802386845002]
本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。
我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。
我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
論文 参考訳（メタデータ） (2020-04-04T21:21:44Z) - A Comprehensive Review for Breast Histopathology Image Analysis Using
Classical and Deep Neural Networks [19.847428358596453]
乳癌は女性の中で最も一般的で致命的ながんの1つである。
ANN(Artificial Neural Network)アプローチは、セグメンテーションと分類タスクで広く使用されている。
本稿では,ANNに基づくBHIA技術の概要を概観する。
論文 参考訳（メタデータ） (2020-03-27T06:53:41Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。