論文の概要: NMGrad: Advancing Histopathological Bladder Cancer Grading with Weakly Supervised Deep Learning

• arxiv url: http://arxiv.org/abs/2405.15275v1
• Date: Fri, 24 May 2024 07:02:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 15:50:32.687814
• Title: NMGrad: Advancing Histopathological Bladder Cancer Grading with Weakly Supervised Deep Learning
• Title（参考訳）: NMGrad: 深層学習による病理組織学的膀胱癌の進展
• Authors: Saul Fuster, Umay Kiraz, Trygve Eftestøl, Emiel A. M. Janssen, Kjersti Engan,
• Abstract要約: 組織学的スライスを用いた膀胱癌評価のためのパイプラインを提案する。 異なる倍率レベルでウロテリウム組織タイルを抽出し、特徴抽出のために畳み込みニューラルネットワークを用いて処理する。 グレードの予測に注意を払って、ネストされた複数のインスタンス学習アプローチを採用している。
• 参考スコア（独自算出の注目度）: 1.3911081328487294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The most prevalent form of bladder cancer is urothelial carcinoma, characterized by a high recurrence rate and substantial lifetime treatment costs for patients. Grading is a prime factor for patient risk stratification, although it suffers from inconsistencies and variations among pathologists. Moreover, absence of annotations in medical imaging difficults training deep learning models. To address these challenges, we introduce a pipeline designed for bladder cancer grading using histological slides. First, it extracts urothelium tissue tiles at different magnification levels, employing a convolutional neural network for processing for feature extraction. Then, it engages in the slide-level prediction process. It employs a nested multiple instance learning approach with attention to predict the grade. To distinguish different levels of malignancy within specific regions of the slide, we include the origins of the tiles in our analysis. The attention scores at region level is shown to correlate with verified high-grade regions, giving some explainability to the model. Clinical evaluations demonstrate that our model consistently outperforms previous state-of-the-art methods.
• Abstract（参考訳）: 膀胱癌の最も多い形態は尿路上皮癌であり、高い再発率と実質寿命治療費用が特徴である。 グレーディングは患者のリスク層形成の要因であるが、病理学者の間では矛盾やバリエーションに悩まされている。 さらに、医用画像におけるアノテーションの欠如は、深層学習モデルの訓練を困難にしている。 これらの課題に対処するために,組織学的スライドを用いた膀胱癌評価のためのパイプラインを導入する。 まず、異なる倍率レベルでウロテリウム組織タイルを抽出し、特徴抽出のために畳み込みニューラルネットワークを用いて処理する。 そして、スライドレベルの予測プロセスに関与する。 グレードの予測に注意を払って、ネストされた複数のインスタンス学習アプローチを採用している。 スライドの特定の領域における悪性度を区別するために,本分析にタイルの起源を含める。 領域レベルでの注意スコアは、検証された高次領域と相関し、モデルにいくつかの説明可能性を与える。 臨床評価では,本モデルが従来手法より一貫して優れていたことが示されている。

関連論文リスト

• A transductive few-shot learning approach for classification of digital histopathological slides from liver cancer [0.0]
  本論文は,2次元病理組織パッチの分類法として,少数ショット学習を用いた新しいアプローチを提案する。 病理組織学スライドにスライディングウインドウ手法を適用することにより,トランスダクティブラーニングの実践的メリットを解説する。
  論文  参考訳（メタデータ） (2023-11-29T15:44:00Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• 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)
• End-to-end Learning for Image-based Detection of Molecular Alterations in Digital Pathology [1.916179040410189]
  デジタル病理学におけるスライド画像全体(WSI)の分類への現在のアプローチは、主に2段階学習パイプラインを利用している。 このようなアプローチの大きな欠点は、臨床ルーチンで取得されていないタスク固有の補助ラベルの要件である。 本稿では,WSI分類のための新しい学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-06-30T20:30:33Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• A Novel Self-Learning Framework for Bladder Cancer Grading Using Histopathological Images [1.244681179922733]
  組織像から膀胱癌を診断するための自己学習の枠組みについて検討した。 組織学的パッチを病のさまざまなレベルに分類できる新しいDeep Convolutional Embedded Attention Clustering (DCEAC)を提案する。
  論文  参考訳（メタデータ） (2021-06-25T11:04:04Z)
• Bladder segmentation based on deep learning approaches: current limitations and lessons [4.51983747559299]
  深層学習モデルを用いて膀胱がんの分画を詳細に観察する。 筋浸潤性疾患の正確な鑑別のための重要な決定因子, 深層学習に基づく膀胱分節化の現状, 先行作業の教訓, 限界について考察した。
  論文  参考訳（メタデータ） (2021-01-16T18:20:23Z)
• Divide-and-Rule: Self-Supervised Learning for Survival Analysis in Colorectal Cancer [9.431791041887957]
  本稿では,組織領域の表現とクラスタリングのメトリクスを学習し,その基盤となるパターンを学習する自己教師型学習手法を提案する。 提案手法は, 患者結果予測の過度な適合を避けるために, 線形予測器の恩恵を受けることができることを示す。
  論文  参考訳（メタデータ） (2020-07-07T09:15:36Z)
• 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。