論文の概要: Siamese Content-based Search Engine for a More Transparent Skin and Breast Cancer Diagnosis through Histological Imaging

• arxiv url: http://arxiv.org/abs/2401.08272v1
• Date: Tue, 16 Jan 2024 10:51:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 14:25:29.672044
• Title: Siamese Content-based Search Engine for a More Transparent Skin and Breast Cancer Diagnosis through Histological Imaging
• Title（参考訳）: 組織像を用いた透明皮膚・乳癌診断のためのシームズコンテンツベースサーチエンジン
• Authors: Zahra Tabatabaei, Adri\'an Colomer, JAvier Oliver Moll, Valery Naranjo
• Abstract要約: 乳房(Breast-twins)と皮膚癌(Skin-twins)の2種類のCBHIRアプローチを,堅牢で正確なパッチレベルの検索のために提案する。 Breast-twins モデルはF1スコアの70%を最上位で達成し、これはK よりも高い値で他の最先端の手法を超える。
• 参考スコア（独自算出の注目度）: 1.927195358774599
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer Aid Diagnosis (CAD) has developed digital pathology with Deep Learning (DL)-based tools to assist pathologists in decision-making. Content-Based Histopathological Image Retrieval (CBHIR) is a novel tool to seek highly correlated patches in terms of similarity in histopathological features. In this work, we proposed two CBHIR approaches on breast (Breast-twins) and skin cancer (Skin-twins) data sets for robust and accurate patch-level retrieval, integrating a custom-built Siamese network as a feature extractor. The proposed Siamese network is able to generalize for unseen images by focusing on the similar histopathological features of the input pairs. The proposed CBHIR approaches are evaluated on the Breast (public) and Skin (private) data sets with top K accuracy. Finding the optimum amount of K is challenging, but also, as much as K increases, the dissimilarity between the query and the returned images increases which might mislead the pathologists. To the best of the author's belief, this paper is tackling this issue for the first time on histopathological images by evaluating the top first retrieved images. The Breast-twins model achieves 70% of the F1score at the top first, which exceeds the other state-of-the-art methods at a higher amount of K such as 5 and 400. Skin-twins overpasses the recently proposed Convolutional Auto Encoder (CAE) by 67%, increasing the precision. Besides, the Skin-twins model tackles the challenges of Spitzoid Tumors of Uncertain Malignant Potential (STUMP) to assist pathologists with retrieving top K images and their corresponding labels. So, this approach can offer a more explainable CAD tool to pathologists in terms of transparency, trustworthiness, or reliability among other characteristics.
• Abstract（参考訳）: コンピュータエイド診断(CAD)は、デジタル病理学をディープラーニング(DL)ベースのツールで開発し、病理学者の意思決定を支援する。 CBHIR (Content-Based Histopathological Image Retrieval) は, 組織学的特徴の類似性から高い相関パッチを求める新しいツールである。 そこで本研究では,乳房(Breast-twins)と皮膚癌(Skin-twins)の2つのデータセットにCBHIRを用いたパッチレベルの検索手法を提案する。 提案するシアムネットワークは,入力対の病理組織学的特徴に焦点をあてることで,未認識画像に対して一般化することができる。 提案するcbhirアプローチは,乳房(パブリック)と皮膚(プライベート)のデータセットにおいてtop k精度で評価される。 最適なKの量を見つけることは難しいが、Kが増加するにつれて、クエリと返される画像の相違が増加し、病理学者を誤解させる可能性がある。 著者の信念を最大限に活用するため,本論文では第1回検索画像の評価を行い,病理組織像について初めてこの問題に取り組む。 Breast-TwinsモデルはF1スコアの70%を最上位で達成し、5や400のような高いKで他の最先端の手法を超える。 Skin-twinsは最近提案されたConvolutional Auto Encoder (CAE)を67%上回り、精度を高めている。 さらに、Skin-twinsモデルでは、Sitzoid tumors of Uncertain Malignant Potential (STUMP) の課題に対処し、病理医がトップK画像と対応するラベルを取得するのを支援する。 したがって、このアプローチは、他の特性の透明性、信頼性、信頼性の観点から、より説明しやすいcadツールを提供することができる。

関連論文リスト

• Towards More Transparent and Accurate Cancer Diagnosis with an Unsupervised CAE Approach [1.6704594205447996]
  CBMIR(Content-Based Medical Image Retrieval)を利用したデジタル病理診断 UCBMIRは従来のがん診断ワークフローを再現し、WSIベースの診断結論における病理医を支援するための信頼性の高い方法を提供する。
  論文  参考訳（メタデータ） (2023-05-19T15:04:16Z)
• MLC at HECKTOR 2022: The Effect and Importance of Training Data when Analyzing Cases of Head and Neck Tumors using Machine Learning [0.9166327220922845]
  本稿では,MICCAI 2022で行われたHECKTOR大挑戦の2022年版に対して,チームMLCが行った成果について述べる。 ポジトロン・エミッション・トモグラフィ(PET)とCT(CT)画像の解析は予後を診断するために提案されている。
  論文  参考訳（メタデータ） (2022-11-30T09:04:27Z)
• FetReg2021: A Challenge on Placental Vessel Segmentation and Registration in Fetoscopy [52.3219875147181]
  2-Twin Transfusion Syndrome (TTTS) に対するレーザー光凝固法が広く採用されている。 このプロシージャは、視野が限られたこと、フェトスコープの操作性が悪いこと、視認性が悪いこと、照明の変動性のために特に困難である。 コンピュータ支援介入(CAI)は、シーン内の重要な構造を特定し、ビデオモザイクを通して胎児の視野を広げることで、外科医に意思決定支援と文脈認識を提供する。 7つのチームがこの課題に参加し、そのモデルパフォーマンスを、6フェットから658ピクセルの注釈付き画像の見当たらないテストデータセットで評価した。
  論文  参考訳（メタデータ） (2022-06-24T23:44:42Z)
• Automated risk classification of colon biopsies based on semantic segmentation of histopathology images [4.144141972397873]
  本稿では,大腸病理組織像の自動評価における2つの大きな課題に対処するアプローチを提案する。 まず,H&E-Stained whole-slide画像中の複数の組織を分割するAIを用いた手法を提案する。 第2に、コンピュータ支援診断システムの基盤として、最高のAIモデルを使用する。
  論文  参考訳（メタデータ） (2021-09-16T11:50:10Z)
• 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)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• 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)
• Dual Convolutional Neural Networks for Breast Mass Segmentation and Diagnosis in Mammography [18.979126709943085]
  本稿では,マンモグラム画像処理のための新しいディープラーニングフレームワークを提案する。 本手法はデュアルパスアーキテクチャで構築され,そのマッピングをデュアルプロブレム方式で解決する。 実験の結果,DualCoreNetはマンモグラフィーのセグメンテーションと分類を同時に達成し,最近の最先端モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-08-07T02:23:36Z)
• Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
  前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。 コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。 この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
  論文  参考訳（メタデータ） (2020-05-22T19:49:10Z)
• Gastric histopathology image segmentation using a hierarchical conditional random field [16.920864110707747]
  新たな条件付ランダムフィールド(HCRF)に基づく胃組織像(GHIS)法を提案する。 HCRFモデルは高いセグメンテーション性能を示し、GHIS分野におけるその有効性と将来の可能性を示す。
  論文  参考訳（メタデータ） (2020-03-03T02:44:31Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。