論文の概要: Hitchhiker's guide to cancer-associated lymphoid aggregates in histology
images: manual and deep learning-based quantification approaches
- arxiv url: http://arxiv.org/abs/2403.04142v1
- Date: Wed, 6 Mar 2024 15:32:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-08 15:34:38.857363
- Title: Hitchhiker's guide to cancer-associated lymphoid aggregates in histology
images: manual and deep learning-based quantification approaches
- Title（参考訳）: 組織像における癌関連リンパ性集合体へのヒッチハイカーのガイド-手動および深層学習に基づく定量化アプローチ
- Authors: Karina Silina, Francesco Ciompi
- Abstract要約: リンパ性集合体の定量化は、予後および予測的組織バイオマーカーを開発するための有望なアプローチである。
本稿では,ヘマトキシリンやエオシン染色などの定期的な病理組織から組織部分のリンパ性集合体を同定するための推奨事項について述べる。
我々は最近,HookNet-TLSと呼ばれる深層学習に基づくアルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 1.8074283261183142
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Quantification of lymphoid aggregates including tertiary lymphoid structures
with germinal centers in histology images of cancer is a promising approach for
developing prognostic and predictive tissue biomarkers. In this article, we
provide recommendations for identifying lymphoid aggregates in tissue sections
from routine pathology workflows such as hematoxylin and eosin staining. To
overcome the intrinsic variability associated with manual image analysis (such
as subjective decision making, attention span), we recently developed a deep
learning-based algorithm called HookNet-TLS to detect lymphoid aggregates and
germinal centers in various tissues. Here, we additionally provide a guideline
for using manually annotated images for training and implementing HookNet-TLS
for automated and objective quantification of lymphoid aggregates in various
cancer types.
- Abstract（参考訳）: 癌組織像における第3次リンパ構造を含むリンパ性集合体の定量化は、予後および予測的組織バイオマーカーの開発に有望なアプローチである。
本稿では,ヘマトキシリンやエオシン染色などの日常的な病態ワークフローから組織切片内のリンパ性凝集体の同定を推奨する。
近年,手動画像解析(主観的意思決定,注意範囲など)に係わる本質的な変動を克服するために,HookNet-TLSと呼ばれる深層学習に基づくアルゴリズムを開発した。
本稿では,各種癌におけるリンパ性凝集体の自動および客観的定量化のためのhooknet-tlsの訓練と実装に手作業でアノテート画像を使用するためのガイドラインを提供する。
関連論文リスト
- Diagnosis of Malignant Lymphoma Cancer Using Hybrid Optimized Techniques Based on Dense Neural Networks [0.0]
本研究では,特徴抽出のためのDenseNet201と分類のためのニューラルネットワーク(DNN)を組み合わせた新しいハイブリッドディープラーニングフレームワークを提案する。
提案手法は99.33%の精度を達成し,精度とモデル解釈性の両方を著しく改善した。
論文 参考訳（メタデータ） (2024-10-09T15:12:35Z) - SDF-Net: A Hybrid Detection Network for Mediastinal Lymph Node Detection on Contrast CT Images [38.69240497671607]
リンパ節を効果的に検出するSwing-Det Fusion Network (SDF-Net)を提案する。
SDF-Netはセグメンテーションと検出の両方の機能を統合し、さまざまな形状と大きさのリンパ節の検出能力を向上する。
論文 参考訳（メタデータ） (2024-09-10T08:27:44Z) - MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳（メタデータ） (2024-06-12T15:22:56Z) - LymphoML: An interpretable artificial intelligence-based method
identifies morphologic features that correlate with lymphoma subtype [3.144172405010392]
LymphoMLは,リンパ腫のサブタイプと相関する形態的特徴を識別する,解釈可能な機械学習手法である。
本手法では,H&E-stained tissue microarray core, segment nuclear and cells, compute features including morphology, texture and architecture, and train gradient-boosted model to make diagnosis prediction。
論文 参考訳（メタデータ） (2023-11-16T05:17:14Z) - A Weakly Supervised Segmentation Network Embedding Cross-scale Attention
Guidance and Noise-sensitive Constraint for Detecting Tertiary Lymphoid
Structures of Pancreatic Tumors [19.775101438245272]
膵病理像における3次リンパ構造(TLS)の存在は膵腫瘍の予後を示す重要な指標である。
数発の学習でTLSを検出するために,弱い教師付きセグメンテーションネットワークを提案する。
得られた2つのデータセットに対する実験結果から,提案手法はTLSの検出精度において,最先端のセグメンテーションに基づくアルゴリズムよりも有意に優れていることが示された。
論文 参考訳（メタデータ） (2023-07-27T03:25:09Z) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳（メタデータ） (2023-03-23T18:50:18Z) - Deep Learning Provides Rapid Screen for Breast Cancer Metastasis with
Sentinel Lymph Nodes [0.0]
本研究は, 転移に対して陽性あるいは陰性で, センチネルリンパ節からの小さな画像パッチのみを用いた乳癌検診に焦点をあてる。
我々は、この目的のために診断モデルを構築するために、Python言語で畳み込みニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2023-01-14T15:57:00Z) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳（メタデータ） (2022-09-27T14:08:19Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳（メタデータ） (2022-03-23T00:58:27Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - 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)
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。