論文の概要: Digital Volumetric Biopsy Cores Improve Gleason Grading of Prostate Cancer Using Deep Learning

• arxiv url: http://arxiv.org/abs/2409.08331v1
• Date: Thu, 12 Sep 2024 18:00:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-16 18:37:11.517418
• Title: Digital Volumetric Biopsy Cores Improve Gleason Grading of Prostate Cancer Using Deep Learning
• Title（参考訳）: 深層学習を用いた前立腺癌のグリソングレーディングを改善するデジタル生検コア
• Authors: Ekaterina Redekop, Mara Pleasure, Zichen Wang, Anthony Sisk, Yang Zong, Kimberly Flores, William Speier, Corey W. Arnold,
• Abstract要約: 心電図コア(volumetric core)と呼ばれる新しいデジタル病理データソースを提案する。 本発明のデータソースは、連続切断された組織セクションの抽出及び調整を介して得られる。 我々は、Gleason Grade Groupを自動分類するために、ボリュームパッチから抽出した深い特徴に基づいて、注意に基づくマルチインスタンス学習フレームワークを訓練した。
• 参考スコア（独自算出の注目度）: 8.222490368972725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prostate cancer (PCa) was the most frequently diagnosed cancer among American men in 2023. The histological grading of biopsies is essential for diagnosis, and various deep learning-based solutions have been developed to assist with this task. Existing deep learning frameworks are typically applied to individual 2D cross-sections sliced from 3D biopsy tissue specimens. This process impedes the analysis of complex tissue structures such as glands, which can vary depending on the tissue slice examined. We propose a novel digital pathology data source called a "volumetric core," obtained via the extraction and co-alignment of serially sectioned tissue sections using a novel morphology-preserving alignment framework. We trained an attention-based multiple-instance learning (ABMIL) framework on deep features extracted from volumetric patches to automatically classify the Gleason Grade Group (GGG). To handle volumetric patches, we used a modified video transformer with a deep feature extractor pretrained using self-supervised learning. We ran our morphology-preserving alignment framework to construct 10,210 volumetric cores, leaving out 30% for pretraining. The rest of the dataset was used to train ABMIL, which resulted in a 0.958 macro-average AUC, 0.671 F1 score, 0.661 precision, and 0.695 recall averaged across all five GGG significantly outperforming the 2D baselines.
• Abstract（参考訳）: 前立腺癌(PCa)は2023年のアメリカ人男性の中では最も頻度の高いがんである。 生検の組織学的グレーディングは診断に不可欠であり、この課題を支援するために様々なディープラーニングベースのソリューションが開発されている。 既存のディープラーニングフレームワークは、典型的には3D生検組織標本からスライスされた個々の2D断面に適用される。 このプロセスは、検査された組織スライスによって変化する腺などの複雑な組織構造の解析を阻害する。 本稿では, 新たな形態保存アライメントフレームワークを用いて, 組織切片の抽出・調整によって得られる「体積コア」と呼ばれる新しいデジタル病理データソースを提案する。 我々は,Gleason Grade Group(GGG)を自動分類するために,ボリュームパッチから抽出した深い特徴に基づいて,注意に基づくマルチインスタンス学習(ABMIL)フレームワークを訓練した。 ボリュームパッチの処理には、自己教師付き学習を用いて事前学習した深い特徴抽出器を備えたビデオトランスフォーマーを使用した。 10,210のボリュームコアを構築するために,形態保存アライメントフレームワークを実行しました。 残りのデータセットはAMMILの訓練に使用され、平均0.958のAUC、0.671のF1スコア、0.661の精度、0.695のリコールは5GGで平均して2Dベースラインを上回った。

関連論文リスト

• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Are Macula or Optic Nerve Head Structures better at Diagnosing Glaucoma? An Answer using AI and Wide-Field Optical Coherence Tomography [48.7576911714538]
  我々は3次元広視野CTスキャンで視神経頭部(ONH)と黄斑構造を自動的に分割する深層学習アルゴリズムを開発した。 分類アルゴリズムにより,ONHおよび黄斑組織を0.94$pm$0.003のDCで分画することができた。 これにより3次元広視野CTスキャンが主流となる可能性がある。
  論文  参考訳（メタデータ） (2022-10-13T01:51:29Z)
• 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)
• EGFR Mutation Prediction of Lung Biopsy Images using Deep Learning [1.793983482813105]
  本研究では,EGFR変異の形態的相関を識別するために,教師の弱いカスタマイズ深層学習パイプラインを用いた。 病理組織学的に腺癌と扁平上皮癌との鑑別は0.942であった。 EGFR検出では,TGAデータセットでは平均0.864AUC,インドからのデータセットでは0.783AUCを達成した。
  論文  参考訳（メタデータ） (2022-08-26T08:56:33Z)
• Single volume lung biomechanics from chest computed tomography using a mode preserving generative adversarial network [10.406580531987418]
  単一のCTスキャンから直接局所組織拡張を推定するための生成的対向学習手法を提案する。 提案手法はSPIROMICSコホートから2500名の被験者を対象に訓練,評価を行った。 提案モデルでは,PSNR18.95デシベル,SSIM0.840,スピアマン相関0.61,高分解能1mm3で達成した。
  論文  参考訳（メタデータ） (2021-10-15T06:17:52Z)
• 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)
• Deeply supervised UNet for semantic segmentation to assist dermatopathological assessment of Basal Cell Carcinoma (BCC) [2.031570465477242]
  unetアーキテクチャに基づく複数のモデルを用いた意味セグメンテーションによる基底細胞癌(bcc)の検出に焦点を当てた。 unetネットワークの最初の2つの異なるエンコーダと2つの追加のトレーニング戦略を分析した。 最高のモデルは、テストセット上の96%、精度、感度、および特異性を達成します。
  論文  参考訳（メタデータ） (2021-03-05T15:39:55Z)
• Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
  ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。 本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
  論文  参考訳（メタデータ） (2020-06-28T19:55:34Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。