Fugu-MT 論文翻訳(概要): Whole Slide Multiple Instance Learning for Predicting Axillary Lymph Node Metastasis

論文の概要: Whole Slide Multiple Instance Learning for Predicting Axillary Lymph Node Metastasis

arxiv url: http://arxiv.org/abs/2310.04187v1
Date: Fri, 6 Oct 2023 12:01:55 GMT
ステータス: 処理完了
システム内更新日: 2023-10-09 16:27:21.704978
Title: Whole Slide Multiple Instance Learning for Predicting Axillary Lymph Node Metastasis
Title（参考訳）: all slide multiple instance learning による結節リンパ節転移の予測
Authors: Glejdis Shk\"embi, Johanna P. M\"uller, Zhe Li, Katharina Breininger, Peter Sch\"uffler, and Bernhard Kainz
Abstract要約: 本稿では,デジタルコアニードル生検(CNB)画像から臨床情報を定量化するためのディープラーニング(DL)分類パイプラインを提案する。 ALNの転移状態の分類において,SOTA (baseline state-of-the-art) DLモデルを用いた1058例のデータセットを用いて評価を行った。
参考スコア（独自算出の注目度）: 7.5253686571794445
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Breast cancer is a major concern for women's health globally, with axillary lymph node (ALN) metastasis identification being critical for prognosis evaluation and treatment guidance. This paper presents a deep learning (DL) classification pipeline for quantifying clinical information from digital core-needle biopsy (CNB) images, with one step less than existing methods. A publicly available dataset of 1058 patients was used to evaluate the performance of different baseline state-of-the-art (SOTA) DL models in classifying ALN metastatic status based on CNB images. An extensive ablation study of various data augmentation techniques was also conducted. Finally, the manual tumor segmentation and annotation step performed by the pathologists was assessed.
Abstract（参考訳）: 乳癌は世界中の女性の健康にとって大きな関心事であり, 予後評価や治療指導に重要な Axillary lymph node (ALN) 転移の同定が重要である。本稿では,デジタルコア・ニードル生検(cnb)画像から臨床情報を定量化するための深層学習(dl)分類パイプラインを提案する。 CNB画像に基づくALNの転移状態の分類において,SOTA (baseline State-of-the-art) DLモデルの性能評価に1058人の患者を対象とした。各種データ拡張技術に関する広範囲なアブレーション研究も行った。最後に,病理医が行う手動腫瘍の分節とアノテーションのステップを評価した。

関連論文リスト

Towards a Comprehensive Benchmark for Pathological Lymph Node Metastasis in Breast Cancer Sections [21.75452517154339]
我々は1,399枚のスライド画像(WSI)と、Camelyon-16とCamelyon-17データセットのラベルを再処理した。再発腫瘍領域の大きさから,2重複癌検診を4段階に改善した。
論文参考訳（メタデータ） (2024-11-16T09:19:24Z)
Classifying Cancer Stage with Open-Source Clinical Large Language Models [0.35998666903987897]
オープンソースの臨床大言語モデル(LLMs)は、実世界の病理報告から病理組織学的腫瘍-リンパ節転移(pTNM)のステージング情報を抽出することができる。以上より, LLMは腫瘍 (T) 分類においてサブパーパフォーマンスを示すが, プロンプト戦略の適切な適用により, 転移 (M) では同等の性能を示し, Node (N) 分類では性能が向上することが示唆された。
論文参考訳（メタデータ） (2024-04-02T02:30:47Z)
Graph-based multimodal multi-lesion DLBCL treatment response prediction from PET images [0.0]
診断後, 標準フロントライン治療における非対応患者数(30～40%)は依然として顕著である。本研究は,適応治療を必要とする高リスク患者を特定するためのコンピュータ支援アプローチを開発することを目的とする。複数の病変からのイメージング情報を組み合わせた最近のグラフニューラルネットワークに基づく手法を提案する。
論文参考訳（メタデータ） (2023-10-25T08:16:45Z)
Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文参考訳（メタデータ） (2022-11-08T11:50:31Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
Ensembling Handcrafted Features with Deep Features: An Analytical Study for Classification of Routine Colon Cancer Histopathological Nuclei Images [13.858624044986815]
我々は,F1-measure,Precision,Recall,AUC,Cross-Entropy Lossを用いて,提案手法の性能解析を行った。以上の結果から,DL特徴のアンサンブルがモデル全体の性能を著しく向上させることが明らかとなった。
論文参考訳（メタデータ） (2022-02-22T06:48:50Z)
A Gradient Mapping Guided Explainable Deep Neural Network for Extracapsular Extension Identification in 3D Head and Neck Cancer Computed Tomography Images [7.450250213710868]
頭頸部扁平上皮癌の生存予後の予測因子として,毛細管拡張術が有用である。現在のECE検出は、放射線技師による視覚的同定と病理診断に依存している。注釈付きリンパ節領域情報を必要とせず,自動的にECE識別を行うためのGMGENet(Gradient Mapping Guided Explainable Network)フレームワークを提案する。
論文参考訳（メタデータ） (2022-01-03T22:29:57Z)
BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文参考訳（メタデータ） (2021-10-05T19:14:46Z)
Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文参考訳（メタデータ） (2020-10-09T14:39:27Z)
Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文参考訳（メタデータ） (2020-05-27T06:58:39Z)
Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。トレーニングモデルに複数のインスタンス学習スキームを利用する。提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。