論文の概要: Diagnosis of Helicobacter pylori using AutoEncoders for the Detection of
Anomalous Staining Patterns in Immunohistochemistry Images
- arxiv url: http://arxiv.org/abs/2309.16053v1
- Date: Wed, 27 Sep 2023 22:19:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 18:39:11.024179
- Title: Diagnosis of Helicobacter pylori using AutoEncoders for the Detection of
Anomalous Staining Patterns in Immunohistochemistry Images
- Title(参考訳): 自己エンコーダを用いた Helicobacter pylori の免疫組織化学画像における異常染色パターンの検出
- Authors: Pau Cano, \'Alvaro Caravaca, Debora Gil, Eva Musulen
- Abstract要約: ヘリコバクター・ピロリ(Helicobacter pylori)は、1994年にヒトに1型発癌菌として分類された細菌である。
本稿では, 画像染色の異常としてH. pyloriを検出するために, オートエンコーダを用いた健康組織の潜伏パターンの学習を提案する。
特に,本モデルでは,H. pyloriの検出において,感度86%,特異度96%,AUC0.97と総合91%の精度を示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work addresses the detection of Helicobacter pylori a bacterium
classified since 1994 as class 1 carcinogen to humans. By its highest
specificity and sensitivity, the preferred diagnosis technique is the analysis
of histological images with immunohistochemical staining, a process in which
certain stained antibodies bind to antigens of the biological element of
interest. This analysis is a time demanding task, which is currently done by an
expert pathologist that visually inspects the digitized samples.
We propose to use autoencoders to learn latent patterns of healthy tissue and
detect H. pylori as an anomaly in image staining. Unlike existing
classification approaches, an autoencoder is able to learn patterns in an
unsupervised manner (without the need of image annotations) with high
performance. In particular, our model has an overall 91% of accuracy with 86\%
sensitivity, 96% specificity and 0.97 AUC in the detection of H. pylori.
- Abstract(参考訳): この研究は、1994年以降、ヒトにクラス1の発癌菌に分類されたHelicobacter pylori a bacteriumの検出に対処する。
高い特異性と感受性から、好ましい診断技術は免疫組織化学的染色による組織像の解析であり、特定の染色抗体が興味のある生物学的要素の抗原に結合する過程である。
この分析は、現在、デジタル化されたサンプルを視覚的に検査する専門家の病理学者によって行われている時間要求タスクである。
本稿では, オートエンコーダを用いて健康組織の潜伏パターンを学習し, h. pylori を画像染色の異常として検出する。
既存の分類手法とは異なり、オートエンコーダは教師なしの方法で(画像アノテーションなしで)高い性能でパターンを学習することができる。
特に,本モデルでは,H. pyloriの検出において,感度86\%,特異度96%,AUC0.97と総合91%の精度を示した。
関連論文リスト
- Breast Histopathology Image Retrieval by Attention-based Adversarially Regularized Variational Graph Autoencoder with Contrastive Learning-Based Feature Extraction [1.48419209885019]
本稿では,胸部組織像検索のための新しいアテンションベース逆正則変分グラフオートエンコーダモデルを提案する。
乳がん組織像の2つの公開データセットを用いて,提案モデルの性能評価を行った。
論文 参考訳(メタデータ) (2024-05-07T11:24:37Z) - Enhancing COVID-19 Diagnosis through Vision Transformer-Based Analysis
of Chest X-ray Images [0.0]
この研究は、生の胸部X線画像を利用して、新型コロナウイルスの診断を自動化するための革新的な枠組みを提唱している。
開発されたモデルはバイナリ分類性能で評価され、通常の症例と区別される。
提案モデルでは,2進分類では99.92%,99.84%,第三進分類では97.95%,第四進分類では86.48%,第四進分類では86.81%であった。
論文 参考訳(メタデータ) (2023-06-12T07:34:28Z) - 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) - COVID-19 Detection from Chest X-ray Images using Imprinted Weights
Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。
コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。
この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文 参考訳(メタデータ) (2021-05-04T19:01:40Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳(メタデータ) (2021-02-11T09:04:45Z) - Accurate and Rapid Diagnosis of COVID-19 Pneumonia with Batch Effect
Removal of Chest CT-Scans and Interpretable Artificial Intelligence [0.0]
我々は、健康な人、新型コロナウイルス患者、他の肺炎疾患患者をCTスキャン画像から識別する、解釈可能な新しいディープニューラルネットワークを設計した。
このモデルは97.75%と98.15%の感度に達し、87%と81.03%の特異性は、病気から健康な人々と他の病気から分離している。
論文 参考訳(メタデータ) (2020-11-23T21:23:55Z) - A New Screening Method for COVID-19 based on Ocular Feature Recognition
by Machine Learning Tools [66.20818586629278]
コロナウイルス感染症2019(COVID-19)は、数百万人に影響している。
一般的なCCDやCMOSカメラで撮影された視線領域の画像を分析する新しいスクリーニング手法は、新型コロナウイルスの急激なリスクスクリーニングを確実に実現する可能性がある。
論文 参考訳(メタデータ) (2020-09-04T00:50:27Z) - 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) - Deep Object Detection based Mitosis Analysis in Breast Cancer
Histopathological Images [0.24466725954625884]
提案モデルの性能は, TUPAC16データセット上の2段階検出モデル(Fスコア0.701)と比較して, 有意な精度(0.86)を有する有糸分裂核の識別能力の向上(Fスコア0.86)を示す。
実験結果から, 深部物体検出に基づくモデルでは, 弱い注釈付きデータから有糸分裂核の特徴を学習できる可能性が示唆された。
論文 参考訳(メタデータ) (2020-03-17T00:51:16Z)
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。