論文の概要: Multiple Instance Learning for Glioma Diagnosis using Hematoxylin and
Eosin Whole Slide Images: An Indian Cohort Study
- arxiv url: http://arxiv.org/abs/2402.15832v2
- Date: Fri, 8 Mar 2024 11:31:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 22:22:10.257942
- Title: Multiple Instance Learning for Glioma Diagnosis using Hematoxylin and
Eosin Whole Slide Images: An Indian Cohort Study
- Title（参考訳）: ヘマトキシリンとエオシン全スライド画像を用いたグリオーマ診断のための多症例学習:インドコホート研究
- Authors: Ekansh Chauhan, Amit Sharma, Megha S Uppin, C.V. Jawahar and P.K.
Vinod
- Abstract要約: 本研究は, 厳密な複数事例学習実験から得られた知見をもとに, 患者ケアを推し進めるものである。
複数のデータセットにまたがるグリオーマサブタイプ分類において、新しいパフォーマンスベンチマークを確立する。
- 参考スコア（独自算出の注目度）: 31.789472128764036
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The effective management of brain tumors relies on precise typing, subtyping,
and grading. This study advances patient care with findings from rigorous
multiple instance learning experimentations across various feature extractors
and aggregators in brain tumor histopathology. It establishes new performance
benchmarks in glioma subtype classification across multiple datasets, including
a novel dataset focused on the Indian demographic (IPD- Brain), providing a
valuable resource for existing research. Using a ResNet-50, pretrained on
histopathology datasets for feature extraction, combined with the Double-Tier
Feature Distillation (DTFD) feature aggregator, our approach achieves
state-of-the-art AUCs of 88.08 on IPD-Brain and 95.81 on the TCGA-Brain
dataset, respectively, for three-way glioma subtype classification. Moreover,
it establishes new benchmarks in grading and detecting IHC molecular biomarkers
(IDH1R132H, TP53, ATRX, Ki-67) through H&E stained whole slide images for the
IPD-Brain dataset. The work also highlights a significant correlation between
the model decision-making processes and the diagnostic reasoning of
pathologists, underscoring its capability to mimic professional diagnostic
procedures.
- Abstract（参考訳）: 脳腫瘍の効果的な管理は、正確なタイピング、サブタイプ、およびグレーディングに依存する。
本研究は,脳腫瘍病理学における各種特徴抽出器とアグリゲータを横断する厳密な複数インスタンス学習実験から得られた知見を用いて,患者ケアを進歩させる。
インドの人口統計(IPD-Brain)に焦点を当てた新しいデータセットを含む、複数のデータセットにわたるグリオーマサブタイプ分類における新しいパフォーマンスベンチマークを確立し、既存の研究に有用なリソースを提供する。
特徴抽出のための病理組織学的データセットとDouble-Tier Feature Distillation (DTFD) feature aggregatorを併用したResNet-50を用いて,PTD-Brainデータセットで88.08,TCGA-Brainデータセットで95.81の最先端AUCを3方向グリオーマサブタイプ分類で達成した。
さらに、IHC分子バイオマーカー(IDH1R132H, TP53, ATRX, Ki-67)をH&Eで解析し、IDD-Brainデータセットの全スライド画像を染色する。
この研究は、モデル決定プロセスと病理学者の診断的推論との間に有意な相関性を強調し、専門的な診断手順を模倣する能力を強調している。
関連論文リスト
- Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。
本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
論文 参考訳（メタデータ） (2024-08-20T13:11:43Z) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳（メタデータ） (2023-09-26T03:59:21Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Automated Ensemble-Based Segmentation of Adult Brain Tumors: A Novel
Approach Using the BraTS AFRICA Challenge Data [0.0]
3つのコアアーキテクチャに基づく11種類のユニークなバリエーションからなるアンサンブル手法を提案する。
その結果,異なるアーキテクチャを組み合わせるアンサンブルアプローチが単一モデルより優れていることがわかった。
これらの結果は、脳腫瘍を正確に分類する上での、調整された深層学習技術の可能性を裏付けるものである。
論文 参考訳（メタデータ） (2023-08-14T15:34:22Z) - Tensor-Based Multi-Modality Feature Selection and Regression for
Alzheimer's Disease Diagnosis [25.958167380664083]
アルツハイマー病(AD)と軽度認知障害(MCI)の診断・バイオマーカー同定のための新しいテンソルベース多モード特徴選択と回帰法を提案する。
3つの画像モダリティを用いたADNIデータ解析における本手法の実用的利点について述べる。
論文 参考訳（メタデータ） (2022-09-23T02:17:27Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - Interpretable Graph Convolutional Network of Multi-Modality Brain
Imaging for Alzheimer's Disease Diagnosis [14.894215698742924]
本稿では,アルツハイマー病の同定と分類のための解釈可能なグラフ畳み込みネットワークフレームワークを提案する。
我々はGrad-CAM法を用いて、GCNが同定した最も差別的な特徴を脳接続パターンから定量化した。
論文 参考訳（メタデータ） (2022-04-27T20:43:11Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Characterization Multimodal Connectivity of Brain Network by Hypergraph
GAN for Alzheimer's Disease Analysis [30.99183477161096]
脳ネットワークを特徴付けるマルチモーダル・ニューロイメージングデータは、現在、アルツハイマー病(AD)解析の高度な技術である。
DTI と rs-fMRI の組合せから脳ネットワークのマルチモーダル接続を生成するための新しいハイパーグラフ生成支援ネットワーク (HGGAN) を提案する。
論文 参考訳（メタデータ） (2021-07-21T09:02:29Z) - 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) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。