論文の概要: Pediatric brain tumor classification using digital histopathology and deep learning: evaluation of SOTA methods on a multi-center Swedish cohort

• arxiv url: http://arxiv.org/abs/2409.01330v1
• Date: Mon, 2 Sep 2024 15:32:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 06:25:12.751143
• Title: Pediatric brain tumor classification using digital histopathology and deep learning: evaluation of SOTA methods on a multi-center Swedish cohort
• Title（参考訳）: デジタル病理組織学とディープラーニングを用いた小児脳腫瘍分類:多施設スウェーデンコホートを用いたSOTA法の評価
• Authors: Iulian Emil Tampu, Per Nyman, Christoforos Spyretos, Ida Blystad, Alia Shamikh, Gabriela Prochazka, Teresita Díaz de Ståhl, Johanna Sandgren, Peter Lundberg, Neda Haj-Hosseini,
• Abstract要約: 本研究は, 小児脳腫瘍を分類するために, 2つの弱教師付き多重インスタンス学習(MIL)アプローチを実装した。 540人の被験者(年齢8.5$pm$4.9年)から脳腫瘍と診断されたWSIは、スウェーデンの多中心コホートから集められた。 UNI機能とABILアグリゲーションを用いて,最高分類性能を達成した。
• 参考スコア（独自算出の注目度）: 0.3502590095571559
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain tumors are the most common solid tumors in children and young adults, but the scarcity of large histopathology datasets has limited the application of computational pathology in this group. This study implements two weakly supervised multiple-instance learning (MIL) approaches on patch-features obtained from state-of-the-art histology-specific foundation models to classify pediatric brain tumors in hematoxylin and eosin whole slide images (WSIs) from a multi-center Swedish cohort. WSIs from 540 subjects (age 8.5$\pm$4.9 years) diagnosed with brain tumor were gathered from the six Swedish university hospitals. Instance (patch)-level features were obtained from WSIs using three pre-trained feature extractors: ResNet50, UNI and CONCH. Instances were aggregated using attention-based MIL (ABMIL) or clustering-constrained attention MIL (CLAM) for patient-level classification. Models were evaluated on three classification tasks based on the hierarchical classification of pediatric brain tumors: tumor category, family and type. Model generalization was assessed by training on data from two of the centers and testing on data from four other centers. Model interpretability was evaluated through attention-mapping. The highest classification performance was achieved using UNI features and AMBIL aggregation, with Matthew's correlation coefficient of 0.86$\pm$0.04, 0.63$\pm$0.04, and 0.53$\pm$0.05, for tumor category, family and type classification, respectively. When evaluating generalization, models utilizing UNI and CONCH features outperformed those using ResNet50. However, the drop in performance from the in-site to out-of-site testing was similar across feature extractors. These results show the potential of state-of-the-art computational pathology methods in diagnosing pediatric brain tumors at different hierarchical levels with fair generalizability on a multi-center national dataset.
• Abstract（参考訳）: 脳腫瘍は小児や若年者で最も一般的な固形腫瘍であるが、大きな病理組織学的データセットの不足は、このグループにおける計算病理学の適用を制限している。 本研究は、ヘマトキシリンおよびエオシン全スライド画像(WSI)の小児脳腫瘍を多施設スウェーデンコホートから分類するために、最先端の組織学的基盤モデルから得られたパッチ機能に対する2つの弱教師付き多重インスタンス学習(MIL)アプローチを実装した。 スウェーデンの6つの大学病院から脳腫瘍と診断された540人の被験者(年齢8.5$\pm$4.9年)のWSIが集められた。 インスタンス(パッチ)レベルの特徴は、事前訓練された3つの特徴抽出器(ResNet50, UNI, CONCH)を使用してWSIから取得した。 患者レベルの分類には,アテンションベースMIL (ABMIL) やクラスタリング制約アテンションMIL (CLAM) を用いた。 小児脳腫瘍の階層的分類に基づく3つの分類課題(腫瘍分類,家族分類,タイプ分類)をモデルとして評価した。 モデル一般化は、2つのセンターのデータに関するトレーニングと、他の4つのセンターのデータによるテストによって評価された。 注意マッピングによるモデル解釈性の評価を行った。 UNIとABBILの相関係数は0.86$\pm$0.04,0.63$\pm$0.04,0.53$\pm$0.05,それぞれ腫瘍分類,家族分類,型分類で達成された。 一般化を評価する際、UNIとCONCHを利用したモデルはResNet50を用いたモデルよりも優れていた。 しかし,in-siteからout-of-siteテストへの性能低下は,特徴抽出器間で類似していた。 以上の結果から,多施設の国立データセットにおいて,様々な階層レベルでの小児脳腫瘍の診断における最先端の計算病理学的手法の可能性が示唆された。

関連論文リスト

• Advancing Efficient Brain Tumor Multi-Class Classification -- New Insights from the Vision Mamba Model in Transfer Learning [18.20962008262757]
  本研究は,脳腫瘍分類における事前学習モデルの応用について検討した。 我々は,脳腫瘍のマルチクラス分類にいくつかの主流転写学習モデルを微調整し,応用した。 特に,新しいネットワークアーキテクチャであるVision Mamba(Vim)を導入し,脳腫瘍の分類に初めて適用した。
  論文  参考訳（メタデータ） (2024-10-29T09:08:57Z)
• Universal and Extensible Language-Vision Models for Organ Segmentation and Tumor Detection from Abdominal Computed Tomography [50.08496922659307]
  本稿では、単一のモデルであるUniversal Modelが複数の公開データセットに対処し、新しいクラスに適応することを可能にするユニバーサルフレームワークを提案する。 まず,大規模言語モデルからの言語埋め込みを利用した新しい言語駆動パラメータ生成手法を提案する。 第二に、従来の出力層は軽量でクラス固有のヘッドに置き換えられ、ユニバーサルモデルでは25の臓器と6種類の腫瘍を同時に分割することができる。
  論文  参考訳（メタデータ） (2024-05-28T16:55:15Z)
• Realism in Action: Anomaly-Aware Diagnosis of Brain Tumors from Medical Images Using YOLOv8 and DeiT [1.024113475677323]
  本研究は,脳腫瘍の診断・分類に深層学習(DL)技術を活用することでこの問題に対処する。 NBML(National Brain Mapping Lab)は、30の腫瘍患者と51の正常患者を含む81の患者を対象とする。 このアプローチは、信頼できる腫瘍の検出と分類において有望な進歩を示し、現実の医療画像シナリオにおける腫瘍診断の潜在的な進歩を提供する。
  論文  参考訳（メタデータ） (2024-01-06T20:53:02Z)
• 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)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• 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)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• The RSNA-ASNR-MICCAI BraTS 2021 Benchmark on Brain Tumor Segmentation and Radiogenomic Classification [4.431870223745215]
  BraTS 2021チャレンジは10周年を祝います。 北米放射線学会(RSNA)、アメリカ神経放射線学会(ASNR)、メディカル・イメージ・コンピューティングとコンピュータ・アシスト・インターベンション(MICCAI)が共同で組織している。
  論文  参考訳（メタデータ） (2021-07-05T23:12:06Z)

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。