論文の概要: BreastRegNet: A Deep Learning Framework for Registration of Breast
Faxitron and Histopathology Images
- arxiv url: http://arxiv.org/abs/2401.09791v1
- Date: Thu, 18 Jan 2024 08:23:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 17:35:10.597313
- Title: BreastRegNet: A Deep Learning Framework for Registration of Breast
Faxitron and Histopathology Images
- Title（参考訳）: BreastRegNet:乳房酸素線と病理像の登録のためのディープラーニングフレームワーク
- Authors: Negar Golestani, Aihui Wang, Gregory R Bean, and Mirabela Rusu
- Abstract要約: 本研究では,モノモーダル合成画像対に基づいて学習した深層学習に基づく画像登録手法を提案する。
モデルは、ネオアジュバント化学療法を受け、手術を受けた50人の女性のデータを用いて訓練された。
- 参考スコア（独自算出の注目度）: 0.05454343470301196
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A standard treatment protocol for breast cancer entails administering
neoadjuvant therapy followed by surgical removal of the tumor and surrounding
tissue. Pathologists typically rely on cabinet X-ray radiographs, known as
Faxitron, to examine the excised breast tissue and diagnose the extent of
residual disease. However, accurately determining the location, size, and
focality of residual cancer can be challenging, and incorrect assessments can
lead to clinical consequences. The utilization of automated methods can improve
the histopathology process, allowing pathologists to choose regions for
sampling more effectively and precisely. Despite the recognized necessity,
there are currently no such methods available. Training such automated
detection models require accurate ground truth labels on ex-vivo radiology
images, which can be acquired through registering Faxitron and histopathology
images and mapping the extent of cancer from histopathology to x-ray images.
This study introduces a deep learning-based image registration approach trained
on mono-modal synthetic image pairs. The models were trained using data from 50
women who received neoadjuvant chemotherapy and underwent surgery. The results
demonstrate that our method is faster and yields significantly lower average
landmark error ($2.1\pm1.96$ mm) over the state-of-the-art iterative
($4.43\pm4.1$ mm) and deep learning ($4.02\pm3.15$ mm) approaches. Improved
performance of our approach in integrating radiology and pathology information
facilitates generating large datasets, which allows training models for more
accurate breast cancer detection.
- Abstract（参考訳）: 乳がんの標準治療プロトコルは、腫瘍や周囲の組織を外科的に除去し、ネオアジュバント治療を行う。
病理学者は通常、乳房の摘出組織を調べ、残存疾患の程度を診断するために、ファキシトロンと呼ばれるキャビネットx線ラジオグラフに頼っている。
しかし, 残存癌の位置, サイズ, 焦点を正確に判定することは困難であり, 誤った評価が臨床結果につながる可能性がある。
自動化された方法を利用することで病理組織学のプロセスが改善され、病理医はより効果的かつ正確にサンプリングできる領域を選択できる。
認識されている必要性にもかかわらず、現在ではそのような方法が存在しない。
このような自動検出モデルの訓練には、ファキシトロンと病理像を登録し、がんの程度を病理組織学からX線画像にマッピングすることで取得できる、現生放射線画像の正確な真実ラベルが必要である。
本研究では,モノモダル合成画像ペアを用いた深層学習に基づく画像登録手法を提案する。
モデルは、ネオアジュバント化学療法を受け、手術を受けた50人の女性のデータを用いて訓練された。
その結果,本手法はより高速で,最先端反復 (4.43\pm4.1$ mm) およびディープラーニング (4.02\pm3.15$ mm) アプローチよりも平均ランドマーク誤差 (2.1\pm1.96$ mm) が著しく低いことがわかった。
放射線学と病理情報の統合によるアプローチの性能向上により,大規模なデータセットの生成が容易となり,より正確な乳癌検出のためのトレーニングモデルが実現された。
関連論文リスト
- Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example [40.3927727959038]
本稿では,画像の高速分類に畳み込みニューラルネットワーク(CNN)を用いる手法を提案する。
病理像を良性群と悪性群に迅速かつ自動分類することができる。
本手法は乳がんの病理像の分類における精度を効果的に向上することを示す。
論文 参考訳（メタデータ） (2024-04-12T07:08:05Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。
RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文 参考訳（メタデータ） (2022-11-01T07:41:03Z) - EBHI:A New Enteroscope Biopsy Histopathological H&E Image Dataset for
Image Classification Evaluation [29.162527503224364]
大腸癌は世界で3番目に多いがんであり、がん患者の約10%を占めている。
本稿では,新たに公開された内視鏡生検生検生検生データ(EBHI)について報告する。
従来の機械学習手法は76.02%の最大精度を達成し、ディープラーニング手法は95.37%の最大精度を達成している。
論文 参考訳（メタデータ） (2022-02-17T09:53:02Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Bridging the gap between prostate radiology and pathology through
machine learning [2.090877308669147]
病理組織学的診断法として, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法の比較を行った。
これらのラベルがトレーニングされた機械学習モデルの性能に与える影響を分析する。
論文 参考訳（メタデータ） (2021-12-03T21:38:20Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳（メタデータ） (2021-07-12T09:04:20Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - DenseNet for Breast Tumor Classification in Mammographic Images [0.0]
本研究の目的は,マンモグラフィ画像における乳腺病変の自動検出,分画,分類のための深層畳み込みニューラルネットワーク手法を構築することである。
ディープラーニングに基づいて,選択と抽出を特徴とするmask-cnn(roialign)法を開発し,drknet architectureを用いて分類を行った。
論文 参考訳（メタデータ） (2021-01-24T03:30:59Z) - 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) - Synthesizing lesions using contextual GANs improves breast cancer
classification on mammograms [0.4297070083645048]
本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。
自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
論文 参考訳（メタデータ） (2020-05-29T21:23:00Z)
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。