論文の概要: Automated segmentation of rheumatoid arthritis immunohistochemistry
stained synovial tissue
- arxiv url: http://arxiv.org/abs/2309.07255v1
- Date: Wed, 13 Sep 2023 18:43:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-15 16:58:03.872527
- Title: Automated segmentation of rheumatoid arthritis immunohistochemistry
stained synovial tissue
- Title(参考訳): 関節リウマチ免疫組織化学染色滑膜組織の自動分節化
- Authors: Amaya Gallagher-Syed, Abbas Khan, Felice Rivellese, Costantino
Pitzalis, Myles J. Lewis, Gregory Slabaugh, Michael R. Barnes
- Abstract要約: 慢性関節リウマチ(RA)は関節滑膜組織に主に影響を及ぼす慢性自己免疫疾患である。
非常に異質な疾患であり、滑膜組織において幅広い細胞および分子の多様性が観察される。
我々は、複数のタイプのIHC染色を含む実世界のマルチセンター臨床データセットR4RAを用いて、UNETをトレーニングする。
このモデルでは、DICEスコア0.865を取得し、異なるタイプのIHC染色を分割し、異なる臨床センターからの色、強度、および一般的なWSIsアーティファクトのばらつきに対処する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rheumatoid Arthritis (RA) is a chronic, autoimmune disease which primarily
affects the joint's synovial tissue. It is a highly heterogeneous disease, with
wide cellular and molecular variability observed in synovial tissues. Over the
last two decades, the methods available for their study have advanced
considerably. In particular, Immunohistochemistry stains are well suited to
highlighting the functional organisation of samples. Yet, analysis of
IHC-stained synovial tissue samples is still overwhelmingly done manually and
semi-quantitatively by expert pathologists. This is because in addition to the
fragmented nature of IHC stained synovial tissue, there exist wide variations
in intensity and colour, strong clinical centre batch effect, as well as the
presence of many undesirable artefacts present in gigapixel Whole Slide Images
(WSIs), such as water droplets, pen annotation, folded tissue, blurriness, etc.
There is therefore a strong need for a robust, repeatable automated tissue
segmentation algorithm which can cope with this variability and provide support
to imaging pipelines. We train a UNET on a hand-curated, heterogeneous
real-world multi-centre clinical dataset R4RA, which contains multiple types of
IHC staining. The model obtains a DICE score of 0.865 and successfully segments
different types of IHC staining, as well as dealing with variance in colours,
intensity and common WSIs artefacts from the different clinical centres. It can
be used as the first step in an automated image analysis pipeline for synovial
tissue samples stained with IHC, increasing speed, reproducibility and
robustness.
- Abstract(参考訳): 慢性関節リウマチ(RA)は関節滑膜組織に主に影響を及ぼす慢性自己免疫疾患である。
非常に異質な疾患であり、滑膜組織において幅広い細胞および分子の多様性が観察される。
過去20年間で、彼らの研究に利用できる方法はかなり進歩した。
特に免疫組織化学染色はサンプルの機能的構造を強調するのに好適である。
しかし、IHCによる滑膜組織サンプルの分析は、専門家の病理学者によって手動および半定量的に行われている。
これは、icc染色滑膜組織の断片的な性質に加えて、強度と色、強い臨床センターバッチ効果、および水滴、ペンアノテーション、折りたたみ組織、ぼかしなど、ギガピクセル全体のスライド画像(wsis)に存在する望ましくない多くのアーティファクトの存在など、幅広いバリエーションが存在するためである。
したがって、この変動に対処し、画像パイプラインのサポートを提供する、堅牢で繰り返し可能な自動組織分割アルゴリズムが強く必要である。
我々は,多種類のicc染色を含む実世界多センター臨床データセットr4ra上でunetを訓練する。
このモデルでは、DICEスコア0.865を取得し、異なるタイプのIHC染色を分割し、異なる臨床センターからの色、強度、および一般的なWSIsアーティファクトのばらつきに対処する。
IHCで染色された滑膜組織サンプルの自動画像解析パイプラインの第1ステップとして利用でき、速度、再現性、堅牢性を高めることができる。
関連論文リスト
- Structural Cycle GAN for Virtual Immunohistochemistry Staining of Gland
Markers in the Colon [1.741980945827445]
ヘマトキシリンとエオシン(H&E)染色は疾患解析、診断、グレーディングにおいて最も頻繁に用いられる染色の一つである。
病理学者は、特定の構造や細胞を分析するために異種化学染色(IHC)を必要とする。
ヘマトキシリンとエオシン(H&E)染色は疾患解析、診断、グレーディングにおいて最も頻繁に用いられる染色の一つである。
論文 参考訳(メタデータ) (2023-08-25T05:24:23Z) - Virtual histological staining of unlabeled autopsy tissue [1.9351365037275405]
トレーニングされたニューラルネットワークは、ラベルのない解剖組織セクションの自己蛍光画像から、ヘマトキシリンとエオシンの染色された同じサンプルの鮮明な等価画像に変換することができる。
我々の仮想解剖染色技術は壊死組織にまで拡張することができ、重篤な自己分解と細胞死にもかかわらず、高速かつ費用対効果で無形H&E染色を生成できる。
論文 参考訳(メタデータ) (2023-08-02T03:31:22Z) - Digital staining in optical microscopy using deep learning -- a review [47.86254766044832]
デジタル染色は、光学的コントラストから実際の染色の確立された生化学的コントラストへの翻訳に近代的な深層学習を利用するための有望な概念として登場した。
この分野の現状を詳細に分析し、優れた実践方法を提案し、落とし穴と課題を特定し、将来の実装やアプリケーションに向けた将来的な進歩を仮定する。
論文 参考訳(メタデータ) (2023-03-14T15:23:48Z) - Virtual stain transfer in histology via cascaded deep neural networks [2.309018557701645]
ケースドディープニューラルネットワーク(C-DNN)による仮想染色伝達フレームワークの実証を行った。
C-DNNは、入力として1つの染色タイプのみを取り込んで別の染色タイプの画像をデジタル出力する単一のニューラルネットワーク構造とは異なり、まず仮想染色を使用して、自己蛍光顕微鏡画像をH&Eに変換する。
我々は,H&E染色組織像を仮想PAS( periodic acid-Schiff)染色に変換することに成功した。
論文 参考訳(メタデータ) (2022-07-14T00:43:18Z) - Ensuring accurate stain reproduction in deep generative networks for
virtual immunohistochemistry [0.0]
Generative Adrial Networksは、あるイメージを別のイメージにマッピングする上で、はるかに進歩している。
CycleGANは、病理画像マッピングで組織構造を創出することができるが、関連する沈着を持ち、不正確な染色の領域を生成する。
本稿では,CycleGANの損失関数を緩和し,病理画像のマッピング能力を向上する方法について述べる。
論文 参考訳(メタデータ) (2022-04-14T09:51:04Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳(メタデータ) (2022-03-23T00:58:27Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳(メタデータ) (2022-02-27T02:19:09Z) - Deep learning-based transformation of the H&E stain into special stains [44.38127957263123]
腎針核生検の組織切片を用いた,H&Eから特殊染色への教師あり学習型コンピュータステンレス変換の有用性を示す。
結果: 染色変態ネットワークにより生成された特殊染色の品質は, 標準組織化学的染色により生成されたものと統計的に同等であった。
論文 参考訳(メタデータ) (2020-08-20T10:12:03Z) - StyPath: Style-Transfer Data Augmentation For Robust Histology Image
Classification [6.690876060631452]
我々は,StyPathに基づくAMR分類のための,堅牢なディープニューラルネットワークを構築するための新しいパイプラインを提案する。
それぞれの画像は、1GTX V TITANとpytorchを使って1.84 + 0.03秒で生成された。
以上の結果から,本手法は組織学的分類性能を向上させることが示唆された。
論文 参考訳(メタデータ) (2020-07-09T18:02:49Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳(メタデータ) (2020-04-22T07:30:56Z) - Alleviating the Incompatibility between Cross Entropy Loss and Episode
Training for Few-shot Skin Disease Classification [76.89093364969253]
そこで本研究では,皮膚疾患の診断にFew-Shot Learningを応用し,トレーニングサンプル問題の極端な不足に対処することを提案する。
本稿では, エピソード学習において, クロスエントロピー(CE)よりも優れたクエリ-相対的損失(QR)を提案する。
さらに,新しい適応型ハードマージン戦略により,提案したQR損失をさらに強化する。
論文 参考訳(メタデータ) (2020-04-21T00:57:11Z)
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。