論文の概要: Region of Interest Detection in Melanocytic Skin Tumor Whole Slide Images -- Nevus & Melanoma

• arxiv url: http://arxiv.org/abs/2405.09851v1
• Date: Thu, 16 May 2024 07:00:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-17 15:11:06.307450
• Title: Region of Interest Detection in Melanocytic Skin Tumor Whole Slide Images -- Nevus & Melanoma
• Title（参考訳）: メラノサイト性皮膚腫瘍全スライド画像における関心領域の検討 -Nevus & Melanoma-
• Authors: Yi Cui, Yao Li, Jayson R. Miedema, Sharon N. Edmiston, Sherif Farag, J. S. Marron, Nancy E. Thomas,
• Abstract要約: 我々は, スライドレベル, ネビ, メラノーマの分類を可能にする, 社内深層学習法を開発した。 スライド分類作業の精度は92.3%であり,病理学者による関心領域の予測も良好であった。
• 参考スコア（独自算出の注目度）: 4.265489979736396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated region of interest detection in histopathological image analysis is a challenging and important topic with tremendous potential impact on clinical practice. The deep-learning methods used in computational pathology may help us to reduce costs and increase the speed and accuracy of cancer diagnosis. We started with the UNC Melanocytic Tumor Dataset cohort that contains 160 hematoxylin and eosin whole-slide images of primary melanomas (86) and nevi (74). We randomly assigned 80% (134) as a training set and built an in-house deep-learning method to allow for classification, at the slide level, of nevi and melanomas. The proposed method performed well on the other 20% (26) test dataset; the accuracy of the slide classification task was 92.3% and our model also performed well in terms of predicting the region of interest annotated by the pathologists, showing excellent performance of our model on melanocytic skin tumors. Even though we tested the experiments on the skin tumor dataset, our work could also be extended to other medical image detection problems to benefit the clinical evaluation and diagnosis of different tumors.
• Abstract（参考訳）: 病理組織学的画像解析における関心領域の自動検出は,臨床実践に多大な影響を与える可能性のある課題であり,重要なトピックである。 計算病理学におけるディープラーニング手法は,コスト削減とがん診断の高速化と精度向上に役立つ可能性がある。 UNC Melanocytic tumor Dataset cohort with 160 hematoxylin and eosin whole-slide image of primary melanomas (86) and nevi (74。 トレーニングセットとして80% (134) をランダムに割り当て, スライドレベル, ネビ, メラノーマの分類を可能にする社内深層学習法を構築した。 提案手法は, 他の20% (26) テストデータセットで良好に動作し, スライド分類作業の精度は92.3%であり, また, 病理医が注釈した関心領域の予測も良好であり, メラノサイト皮膚腫瘍に対する本モデルの性能は良好であった。 皮膚腫瘍データセットで実験を行ったが、他の医学的画像検出問題にまで拡張して、異なる腫瘍の臨床的評価と診断に役立てることができた。

関連論文リスト

• Deep Learning Algorithms for Early Diagnosis of Acute Lymphoblastic Leukemia [0.0]
  急性リンパ性白血病(英語: acute lymphoblastic leukemia、ALL)は、白血球に影響を及ぼす血液がんの一種である。 本研究では,ALの診断過程を支援するバイナリ画像分類モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-14T15:35:39Z)
• Robust Melanoma Thickness Prediction via Deep Transfer Learning enhanced by XAI Techniques [39.97900702763419]
  本研究は,メラノーマの深さを測定するために皮膚内視鏡像の解析に焦点をあてる。 顆粒層の上部から腫瘍浸潤の最も深い地点まで測定されたブレスロー深さは、黒色腫のステージングと治療決定の指針となる重要なパラメータである。 ISICやプライベートコレクションを含むさまざまなデータセットが使用され、合計で1162枚の画像が含まれている。 その結果, 従来の手法に比べて, モデルが大幅に改善された。
  論文  参考訳（メタデータ） (2024-06-19T11:07:55Z)
• Liver Tumor Screening and Diagnosis in CT with Pixel-Lesion-Patient Network [37.931408083443074]
  Pixel-Lesion-pAtient Network (PLAN) は, アンカークエリの改善と前景のサンプリング損失による各病変の分割と分類を行う。 PLANは95%と96%の患者レベルの感度と特異性を達成している。 造影CTでは, 病変レベルの検出精度, リコール, 分類精度は92%, 89%, 86%であり, CNNやトランスフォーマーよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-17T06:21:45Z)
• Region of Interest Detection in Melanocytic Skin Tumor Whole Slide Images [4.091302612488775]
  メラノサイト性皮膚腫瘍全すべり画像に対するパッチベースの関心領域検出法を提案する。 我々は165個のメラノーマとネビ・ヘマトキシリンとエオシンの全スライディング画像を含むデータセットを用いて研究を行った。 提案手法は、5つのTCGA-SKCMスライドを含むホールドアウトテストデータセット上で良好に動作する。
  論文  参考訳（メタデータ） (2022-10-29T01:12:08Z)
• 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)
• A Multi-resolution Model for Histopathology Image Classification and Localization with Multiple Instance Learning [9.36505887990307]
  精度マップを利用して不審な地域を検知し,詳細なグレード予測を行うマルチレゾリューション・マルチインスタンス学習モデルを提案する。 このモデルは、830人の患者から20,229のスライドを含む大規模前立腺生検データセットに基づいて開発された。 このモデルは92.7%の精度、良性、低等級(中等級)、高等級(中等級)のCohen's Kappa、98.2%の受信機動作特性曲線(AUROC)、平均精度(AP)97.4%の予測を達成した。
  論文  参考訳（メタデータ） (2020-11-05T06:42:39Z)
• A Patient-Centric Dataset of Images and Metadata for Identifying Melanomas Using Clinical Context [39.10946113351587]
  2020 SIIM-ISIC メラノーマ分類データセットは、以前の課題と臨床実践の相違に対処するために構築された。 このデータセットは、3大陸の患者2,056人で、患者1人あたり平均16の病変がある。
  論文  参考訳（メタデータ） (2020-08-07T20:22:23Z)
• 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)
• Melanoma Diagnosis with Spatio-Temporal Feature Learning on Sequential Dermoscopic Images [40.743870665742975]
  悪性黒色腫自動診断のための既存の皮膚科医は、病変の単一点像に基づいている。 そこで本研究では,連続した皮膚内視鏡像を用いたメラノーマ診断のための自動フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-19T04:08:22Z)
• AI outperformed every dermatologist: Improved dermoscopic melanoma diagnosis through customizing batch logic and loss function in an optimized Deep CNN architecture [2.572959153453185]
  本研究では,メラノーマを二項分類問題として検出することを目的としたディープ畳み込みニューラルネットワークを用いた手法を提案する。 これには3つの重要な機能、すなわち、カスタマイズされたバッチロジック、カスタマイズされた損失関数、完全に接続されたレイヤが含まれる。 このモデルは157人の皮膚科医に優れ、AUCでは94.4%、感度は85.0%、特異度は95.0%であった。
  論文  参考訳（メタデータ） (2020-03-05T13:19:13Z)

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。