論文の概要: Cell Maps Representation For Lung Adenocarcinoma Growth Patterns Classification In Whole Slide Images

• arxiv url: http://arxiv.org/abs/2311.15847v1
• Date: Mon, 27 Nov 2023 14:12:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 15:07:05.286212
• Title: Cell Maps Representation For Lung Adenocarcinoma Growth Patterns Classification In Whole Slide Images
• Title（参考訳）: 全スライド画像における肺腺癌成長パターンの細胞マップ表示
• Authors: Arwa Al-Rubaian, Gozde N. Gunesli, Wajd A. Althakfi, Ayesha Azam, Nasir Rajpoot, Shan E Ahmed Raza
• Abstract要約: 肺腺癌は, 形態学的に異質な疾患であり, 5つの原発組織学的成長パターンを特徴とする。 組織タイルを5つのパターンの1つまたは非腫瘍の1つに分類できる新しい機械学習パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.6258701460323505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lung adenocarcinoma is a morphologically heterogeneous disease, characterized by five primary histologic growth patterns. The quantity of these patterns can be related to tumor behavior and has a significant impact on patient prognosis. In this work, we propose a novel machine learning pipeline capable of classifying tissue tiles into one of the five patterns or as non-tumor, with an Area Under the Receiver Operating Characteristic Curve (AUCROC) score of 0.97. Our model's strength lies in its comprehensive consideration of cellular spatial patterns, where it first generates cell maps from Hematoxylin and Eosin (H&E) whole slide images (WSIs), which are then fed into a convolutional neural network classification model. Exploiting these cell maps provides the model with robust generalizability to new data, achieving approximately 30% higher accuracy on unseen test-sets compared to current state of the art approaches. The insights derived from our model can be used to predict prognosis, enhancing patient outcomes.
• Abstract（参考訳）: 肺腺癌は, 形態学的に異質な疾患であり, 5つの組織像が特徴である。 これらのパターンの量は腫瘍の挙動と関係があり、患者の予後に大きな影響を及ぼす。 本研究では, 組織タイルを5パターンの1つあるいは非腫瘍に分類し, 受信者特性曲線 (aucroc) 下の0.97の領域に分類できる新しい機械学習パイプラインを提案する。 我々のモデルの強みは、まずヘマトキシリンとEosin(H&E)の全スライド画像(WSI)から細胞マップを生成し、その後畳み込みニューラルネットワーク分類モデルに入力するという、細胞空間パターンの包括的考察にある。 これらのセルマップを利用すると、新しいデータに対する堅牢な一般化性が得られ、現在の技術アプローチと比較して、見えないテストセットで約30%高い精度が得られる。 本モデルから得られた知見は予後予測や患者の予後向上に有効である。

関連論文リスト

• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• RCdpia: A Renal Carcinoma Digital Pathology Image Annotation dataset based on pathologists [14.79279940958727]
  腫瘍領域と隣接領域(RCdpia)を個別にラベル付けしたTCGAデジタル病理データセットを作成した。 このデータセットはhttp://39.171.241.18:8888/RCdpia/で公開されている。
  論文  参考訳（メタデータ） (2024-03-17T13:23:25Z)
• Histopathologic Cancer Detection [0.0]
  この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。 また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
  論文  参考訳（メタデータ） (2023-11-13T19:51:46Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• MesoGraph: Automatic Profiling of Malignant Mesothelioma Subtypes from Histological Images [0.0]
  我々は,組織領域をセルレゾリューションに分解できるモデルを学ぶために,ランキング損失を低減した新しいデュアルタスクグラフニューラルネットワーク(GNN)アーキテクチャを開発した。 これにより、サンプル中の全ての細胞のサルコカトイド関連スコアに従って、腫瘍サンプルの定量的なプロファイリングが可能になる。 本モデルで同定された形態的相違は,病理学者が用いた既知の相違と一致することが判明した。
  論文  参考訳（メタデータ） (2023-02-23T11:11:55Z)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• Deep Learning for Reaction-Diffusion Glioma Growth Modelling: Towards a Fully Personalised Model? [0.2609639566830968]
  グリオーマの成長を捉えるために、反応拡散モデルが何十年も提案されてきた。 ディープ畳み込みニューラルネットワーク(DCNN)は、現場でよく見られる落とし穴に対処することができる。 このアプローチは,腫瘍予後および治療計画に対する反応拡散成長モデルの臨床応用の視点を開放する可能性がある。
  論文  参考訳（メタデータ） (2021-11-26T10:16:57Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)

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。