論文の概要: DeepGleason: a System for Automated Gleason Grading of Prostate Cancer using Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2403.16678v1
- Date: Mon, 25 Mar 2024 12:15:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 14:58:36.569312
- Title: DeepGleason: a System for Automated Gleason Grading of Prostate Cancer using Deep Neural Networks
- Title（参考訳）: DeepGleason: ディープニューラルネットワークを用いた前立腺癌のグリソングラフ作成システム
- Authors: Dominik Müller, Philip Meyer, Lukas Rentschler, Robin Manz, Jonas Bäcker, Samantha Cramer, Christoph Wengenmayr, Bruno Märkl, Ralf Huss, Iñaki Soto-Rey, Johannes Raffler,
- Abstract要約: DeepGleasonはオープンソースのディープニューラルネットワークベースの画像分類システムで、Gleasonの自動グレーティングを行う。
マクロ平均F1スコアは0.806、AUCは0.991、精度は0.974である。
我々のツールは、研究コミュニティにおけるAIベースのGleasonグレーディングの普及に寄与します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advances in digital pathology and artificial intelligence (AI) offer promising opportunities for clinical decision support and enhancing diagnostic workflows. Previous studies already demonstrated AI's potential for automated Gleason grading, but lack state-of-the-art methodology and model reusability. To address this issue, we propose DeepGleason: an open-source deep neural network based image classification system for automated Gleason grading using whole-slide histopathology images from prostate tissue sections. Implemented with the standardized AUCMEDI framework, our tool employs a tile-wise classification approach utilizing fine-tuned image preprocessing techniques in combination with a ConvNeXt architecture which was compared to various state-of-the-art architectures. The neural network model was trained and validated on an in-house dataset of 34,264 annotated tiles from 369 prostate carcinoma slides. We demonstrated that DeepGleason is capable of highly accurate and reliable Gleason grading with a macro-averaged F1-score of 0.806, AUC of 0.991, and Accuracy of 0.974. The internal architecture comparison revealed that the ConvNeXt model was superior performance-wise on our dataset to established and other modern architectures like transformers. Furthermore, we were able to outperform the current state-of-the-art in tile-wise fine-classification with a sensitivity and specificity of 0.94 and 0.98 for benign vs malignant detection as well as of 0.91 and 0.75 for Gleason 3 vs Gleason 4 & 5 classification, respectively. Our tool contributes to the wider adoption of AI-based Gleason grading within the research community and paves the way for broader clinical application of deep learning models in digital pathology. DeepGleason is open-source and publicly available for research application in the following Git repository: https://github.com/frankkramer-lab/DeepGleason.
- Abstract（参考訳）: デジタル病理学と人工知能(AI)の進歩は、臨床決定のサポートと診断ワークフローの強化に有望な機会を提供する。
これまでの研究では、AIによる自動グリーソングレーディングの可能性は既に示されていたが、最先端の方法論とモデル再利用性は欠如していた。
この問題に対処するために、我々はDeepGleasonを提案する。DeepGleasonはオープンソースのディープニューラルネットワークに基づく画像分類システムで、前立腺組織からの全スライディング組織像を用いて、自動グリーソングレーディングを行う。
標準化されたAUCMEDIフレームワークで実装したツールでは,さまざまな最先端アーキテクチャと比較したConvNeXtアーキテクチャと組み合わせて,微調整による画像前処理技術を利用したタイルワイズ分類手法を採用している。
ニューラルネットワークモデルは、369の前立腺癌スライドから34,264個の注釈付きタイルを社内データセットでトレーニングし、検証した。
我々は,DeepGleasonのマクロ平均F1スコア0.906,AUC0.991,精度0.974で,高精度で信頼性の高いGleasonグレードが可能であることを示した。
内部アーキテクチャ比較の結果、ConvNeXtモデルは、データセットやトランスフォーマーなどの現代的なアーキテクチャよりも、パフォーマンス的に優れていることが判明した。
さらに, 良性鑑別と悪性鑑別では0.94, 0.98, Gleason 3とGleason 4と5の分類では0.91, 0.75の感度, 特異性で, タイルの微細分類では現状より優れていた。
我々のツールは、研究コミュニティにおけるAIベースのGleason gradingの広範な採用に寄与し、デジタル病理学におけるディープラーニングモデルのより広範な臨床応用の道を開く。
DeepGleasonはオープンソースで、以下のGitリポジトリで研究アプリケーションとして公開されている。
関連論文リスト
- Assessing the Performance of Deep Learning for Automated Gleason Grading in Prostate Cancer [0.0]
本研究は前立腺癌におけるGleason gradingの自動化のための11のディープニューラルネットワークアーキテクチャの可能性について検討した。
AUCMEDIフレームワークに基づく標準化された画像分類パイプラインは、堅牢な評価を容易にする。
より新しいアーキテクチャは、密接に関連するGleasonグレードの差別化の難しさにもかかわらず、優れたパフォーマンスを実現した。
論文 参考訳（メタデータ） (2024-03-25T12:26:32Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳（メタデータ） (2023-12-02T22:57:25Z) - Weakly-Supervised Deep Learning Model for Prostate Cancer Diagnosis and
Gleason Grading of Histopathology Images [2.547129771651519]
本稿では,前立腺癌学級を分類する弱教師付きアルゴリズムを提案する。
提案アルゴリズムは, 組織像における識別領域の抽出, 画像の表現, 画像のグリーソングレードへの分類の3段階からなる。
その結果,Gleason grading タスクの精度,F1スコア,Cohen-Kappa の両面での最先端性能が得られた。
論文 参考訳（メタデータ） (2022-12-25T03:07:52Z) - Medical Application of Geometric Deep Learning for the Diagnosis of
Glaucoma [60.42955087779866]
シンガポール国立眼科における視神経頭部の3DスキャンをSpectralis OCTで477緑内障と2,296名の非緑内障患者に対して行った。
全巻は、ディープラーニングを用いて自動的にセグメンテーションされ、7つの主要な神経組織と結合組織が識別された。
ポイントネットは、3Dポイントクラウドとして表されるONHのみから頑健な緑内障の診断を行うことができた。
論文 参考訳（メタデータ） (2022-04-14T14:55:25Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳（メタデータ） (2021-10-04T16:06:49Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - 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) - Going Deeper through the Gleason Scoring Scale: An Automatic end-to-end
System for Histology Prostate Grading and Cribriform Pattern Detection [7.929433631399375]
本研究の目的は,前立腺生検の日常的分析において病理医を支援できるディープラーニングベースのシステムを開発することである。
この研究の方法論的コアは、がんパターンの存在を決定できる畳み込みニューラルネットワークに基づくパッチワイズ予測モデルである。
論文 参考訳（メタデータ） (2021-05-21T17:51:53Z) - WeGleNet: A Weakly-Supervised Convolutional Neural Network for the
Semantic Segmentation of Gleason Grades in Prostate Histology Images [1.52819437883813]
本研究では,前立腺組織における局所的ながんパターンを,訓練中のグローバルレベルGleasonスコアのみを用いて検出する深層学習システムを提案する。
検証コホートにおける癌パターンの画素レベルの予測のために,コーエンの2次カッパ(k)を0.67で取得した。
我々は、Gleasonグレードのセマンティックセグメンテーションのためのモデル性能を、テストコホートにおける教師付き最先端アーキテクチャと比較した。
論文 参考訳（メタデータ） (2021-05-21T16:27:16Z) - Automated Prostate Cancer Diagnosis Based on Gleason Grading Using
Convolutional Neural Network [12.161266795282915]
そこで本研究では,前立腺癌(PCa)の完全分類のための畳み込みニューラルネットワーク(CNN)を用いた自動分類法を提案する。
Patch-Based Image Reconstruction (PBIR) と呼ばれるデータ拡張手法が提案され,WSIの高分解能化と多様性の向上が図られた。
対象データセットへの事前学習モデルの適応性を高めるために,分布補正モジュールを開発した。
論文 参考訳（メタデータ） (2020-11-29T06:42:08Z) - 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)
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。