論文の概要: A Hyperspectral Imaging Dataset and Methodology for Intraoperative Pixel-Wise Classification of Metastatic Colon Cancer in the Liver

• arxiv url: http://arxiv.org/abs/2411.06969v1
• Date: Mon, 11 Nov 2024 13:17:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:08:01.311383
• Title: A Hyperspectral Imaging Dataset and Methodology for Intraoperative Pixel-Wise Classification of Metastatic Colon Cancer in the Liver
• Title（参考訳）: 肝転移性大腸癌の術中Pixel-Wise分類のためのハイパースペクトル画像データセットと方法
• Authors: Ivica Kopriva, Dario Sitnik, Laura-Isabelle Dion-Bertrand, Marija Milković Periša, Mirko Hadžija, Marijana Popović Hadžija,
• Abstract要約: ハイパースペクトルイメージングは、計算病理学の分野を変える大きな可能性を秘めている。 現在、ディープラーニング(DL)モデルのトレーニングに必要な画素単位の注釈付きHSIデータが不足している。 肝転移14例から収集したヘマトキシリン-エオシン染色凍結部27HSIのデータベースを報告する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Hyperspectral imaging (HSI) holds significant potential for transforming the field of computational pathology. However, there is currently a shortage of pixel-wise annotated HSI data necessary for training deep learning (DL) models. Additionally, the number of HSI-based research studies remains limited, and in many cases, the advantages of HSI over traditional RGB imaging have not been conclusively demonstrated, particularly for specimens collected intraoperatively. To address these challenges we present a database consisted of 27 HSIs of hematoxylin-eosin stained frozen sections, collected from 14 patients with colon adenocarcinoma metastasized to the liver. It is aimed to validate pixel-wise classification for intraoperative tumor resection. The HSIs were acquired in the spectral range of 450 to 800 nm, with a resolution of 1 nm, resulting in images of 1384x1035 pixels. Pixel-wise annotations were performed by three pathologists. To overcome challenges such as experimental variability and the lack of annotated data, we combined label-propagation-based semi-supervised learning (SSL) with spectral-spatial features extracted by: the multiscale principle of relevant information (MPRI) method and tensor singular spectrum analysis method. Using only 1% of labeled pixels per class the SSL-MPRI method achieved a micro balanced accuracy (BACC) of 0.9313 and a micro F1-score of 0.9235 on the HSI dataset. The performance on corresponding RGB images was lower, with a micro BACC of 0.8809 and a micro F1-score of 0.8688. These improvements are statistically significant. The SSL-MPRI approach outperformed six DL architectures trained with 63% of labeled pixels. Data and code are available at: https://github.com/ikopriva/ColonCancerHSI.
• Abstract（参考訳）: ハイパースペクトルイメージング(HSI)は、計算病理学の分野を変える重要な可能性を秘めている。 しかし、現在、ディープラーニング(DL)モデルのトレーニングに必要な画素単位の注釈付きHSIデータが不足している。 また, 従来のRGB画像よりのHSIの利点は, 特に術中に採取した検体では確定的に証明されていないことが多い。 これらの課題に対処するため,肝転移14例から収集したヘマトキシリン-エオシン染色凍結分画27例のデータベースを提出した。 術中腫瘍切除におけるピクセルワイズ分類の検証を目的とした。 HSIは450から800nmの範囲で1nmの解像度で取得され、1384x1035ピクセルの画像が得られた。 画像アノテーションは3人の病理医が行った。 実験変数やアノテートデータの欠如といった課題を克服するため,ラベルプロパゲーションに基づく半教師付き学習(SSL)と,関連する情報(MPRI)のマルチスケール原理とテンソル特異スペクトル解析法を併用した。 SSL-MPRI法は1クラスあたりのラベル付きピクセルの1%しか使用せず、micro balanced accuracy (BACC)は0.9313、micro F1スコアは0.9235である。 対応するRGB画像のパフォーマンスは低く、マイクロBACCは0.8809、マイクロF1スコアは0.8688であった。 これらの改善は統計的に重要である。 SSL-MPRIアプローチは、63%のラベル付きピクセルでトレーニングされた6つのDLアーキテクチャよりも優れていた。 データとコードは、https://github.com/ikopriva/ColonCancerHSI.comで入手できる。

関連論文リスト

• Domain Generalization for Endoscopic Image Segmentation by Disentangling Style-Content Information and SuperPixel Consistency [1.4991956341367338]
  本稿では,インスタンス正規化とインスタンス選択白化(ISW)を用いて,ドメインの一般化を改善する手法を提案する。 本研究では,EndoUDA BarrettのEsophagusとEndoUDA polypsの2つのデータセットに対するアプローチを評価し,その性能を3つの最先端(SOTA)手法と比較した。
  論文  参考訳（メタデータ） (2024-09-19T04:10:04Z)
• Wound Tissue Segmentation in Diabetic Foot Ulcer Images Using Deep Learning: A Pilot Study [5.397013836968946]
  我々は,創部組織分割アルゴリズムを評価するためのDFUT草案データセットを作成した。 データセットには110枚の画像と、創傷の専門家によってラベル付けされた組織、600枚の未ラベル画像が含まれている。 注釈付きデータの量が限られているため、我々のフレームワークは、教師付き学習(SL)と半教師付き学習(SSL)の両方のフェーズで構成されている。
  論文  参考訳（メタデータ） (2024-06-23T05:01:51Z)
• Efficient subtyping of ovarian cancer histopathology whole slide images using active sampling in multiple instance learning [2.038893829552157]
  マルチインスタンス学習のための識別領域アクティブサンプリング (DRAS-MIL) は、注意スコアを用いて、高度に識別された領域のサンプリングに焦点を合わせ、計算的に効率的なスライド分類法である。 DRAS-MILは,3倍のクロスバリデーションAUCの0.8679で,全スライド解析と同様の分類性能が得られることを示す。 当社のアプローチでは、GPUで評価する時間の33%を要し、CPUだけで14%しか使用していません。
  論文  参考訳（メタデータ） (2023-02-17T13:28:06Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Multi-Scale Attention-based Multiple Instance Learning for Classification of Multi-Gigapixel Histology Images [0.0]
  組織像の分類のための深層学習パイプラインを提案する。 我々は,ヘマトキシリンおよびエオシン染色(H&E)組織像に基づく鼻咽頭癌(NPC)の潜伏膜蛋白1(LMP1)像の予測を試みた。
  論文  参考訳（メタデータ） (2022-09-07T10:14:02Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• COVIDLite: A depth-wise separable deep neural network with white balance and CLAHE for detection of COVID-19 [1.1139113832077312]
  COVIDLiteは、CLAHE(Contrast Limited Adaptive Histogram Equalization)とDSCNN(Deep-wise Separable Convolutional Neural Network)を組み合わせたホワイトバランスである。 提案したCOVIDLite法は,前処理のないバニラDSCNNと比較して性能が向上した。 提案手法は,2進分類では99.58%,多進分類では96.43%,最先端手法では96.43%であった。
  論文  参考訳（メタデータ） (2020-06-19T02:30:34Z)

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。