論文の概要: A Histologic Dataset of Normal and Atypical Mitotic Figures on Human Breast Cancer (AMi-Br)
- arxiv url: http://arxiv.org/abs/2501.04467v1
- Date: Wed, 08 Jan 2025 12:41:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-09 14:55:12.417303
- Title: A Histologic Dataset of Normal and Atypical Mitotic Figures on Human Breast Cancer (AMi-Br)
- Title（参考訳）: ヒト乳癌(AMi-Br)の正常および非定型組織像の組織学的データセット
- Authors: Christof A. Bertram, Viktoria Weiss, Taryn A. Donovan, Sweta Banerjee, Thomas Conrad, Jonas Ammeling, Robert Klopfleisch, Christopher Kaltenecker, Marc Aubreville,
- Abstract要約: 病理組織学的には, 有糸分裂像の密度 (MFs) は, 多くの腫瘍タイプにおいて重要な予後マーカーである。
近年,非定型的形態を有するMFsの量は乳癌の予後基準として独立している可能性が報告されている。
非定型および正常なMF(AMi-Br)の最初の公開データセットを提示する。
- 参考スコア（独自算出の注目度）: 0.2786153781225932
- License:
- Abstract: Assessment of the density of mitotic figures (MFs) in histologic tumor sections is an important prognostic marker for many tumor types, including breast cancer. Recently, it has been reported in multiple works that the quantity of MFs with an atypical morphology (atypical MFs, AMFs) might be an independent prognostic criterion for breast cancer. AMFs are an indicator of mutations in the genes regulating the cell cycle and can lead to aberrant chromosome constitution (aneuploidy) of the tumor cells. To facilitate further research on this topic using pattern recognition, we present the first ever publicly available dataset of atypical and normal MFs (AMi-Br). For this, we utilized two of the most popular MF datasets (MIDOG 2021 and TUPAC) and subclassified all MFs using a three expert majority vote. Our final dataset consists of 3,720 MFs, split into 832 AMFs (22.4%) and 2,888 normal MFs (77.6%) across all 223 tumor cases in the combined set. We provide baseline classification experiments to investigate the consistency of the dataset, using a Monte Carlo cross-validation and different strategies to combat class imbalance. We found an averaged balanced accuracy of up to 0.806 when using a patch-level data set split, and up to 0.713 when using a patient-level split.
- Abstract（参考訳）: 病理組織学的には, 乳腺癌を含む多くの腫瘍の予後マーカーとして, 有糸分裂像の密度 (MFs) の評価が重要である。
近年,非定型的形態を有するMFs(非定型的MFs,AMFs)が乳癌の予後基準として独立している可能性が報告されている。
AMFは細胞周期を調節する遺伝子の突然変異の指標であり、腫瘍細胞の異常な染色体構成(異常)を引き起こす。
パターン認識によるこの話題のさらなる研究を促進するために,非定型および正規のMF(AMi-Br)のデータセットを初めて公開する。
このために、最も人気のある2つのMFデータセット(MIDOG 2021とTUPAC)を利用し、3つの多数決で全てのMFをサブクラス化した。
最終データセットは3,720個のMFからなり、合計で832個のAMF (22.4%) と2,888個の通常のMF (77.6%) に分けられた。
我々は,モンテカルロのクロスバリデーションと,クラス不均衡と戦うための異なる戦略を用いて,データセットの整合性を調べるためのベースライン分類実験を行った。
パッチレベルのデータセットを分割した場合の平均バランス精度は0.806、患者レベルのデータセットを分割する場合は0.713であった。
関連論文リスト
- OMG-Net: A Deep Learning Framework Deploying Segment Anything to Detect Pan-Cancer Mitotic Figures from Haematoxylin and Eosin-Stained Slides [27.84599956781646]
本研究では,デジタル化された全スライド画像(WSI)におけるMFを検出する人工知能(AI)アプローチを提案する。
ここでは、社内の軟部組織腫瘍データセット(STMF)と、IPAC、TUPAC、CCMCT、CMC、MIDOG++の5つのオープンソースの有糸分裂データセットを組み合わせることで、最大の有糸分裂像のパン・カンサデータセットを確立する。
次に、2段階のフレームワーク(Optimized Mitoses Generator Network (OMG-Net))を用いてMFを分類した。
論文 参考訳（メタデータ） (2024-07-17T17:53:37Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳（メタデータ） (2023-08-04T01:19:32Z) - Deep learning-based Subtyping of Atypical and Normal Mitoses using a
Hierarchical Anchor-Free Object Detector [0.802219018904343]
非定型有糸分裂図形(MF)は、クロマトノイドの分離異常を有するものとして形態学的に同定できる。
この研究では、初めて、ミトティックな図形の正規および非典型的なカテゴリへの自動的なサブタイピングを行う。
我々は,階層型サブクラス化分岐を用いたアンカーフリーFCOSアプローチを拡張した最先端のオブジェクト検出パイプラインを構築した。
論文 参考訳（メタデータ） (2022-12-12T13:57:38Z) - 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) - Deep learning-based approach to reveal tumor mutational burden status
from whole slide images across multiple cancer types [41.61294299606317]
腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。
ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。
本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-07T07:02:32Z) - 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) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳（メタデータ） (2021-02-11T09:04:45Z) - A completely annotated whole slide image dataset of canine breast cancer
to aid human breast cancer research [6.960375869417005]
ヒト乳癌の現在のデータセットは、スライド画像全体(WSI)の小さなサブセットに対してのみアノテーションを提供する。
MF に完全付加した CMC の 21 WSI の新たなデータセットを提案する。
我々は機械学習を用いて、未検出のMFを同定した。
論文 参考訳（メタデータ） (2020-08-24T08:06:55Z) - Deep Learning-based Computational Pathology Predicts Origins for Cancers
of Unknown Primary [2.645435564532842]
原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。
最近の研究は、腫瘍原点の同定にゲノム学と転写学を使うことに重点を置いている。
深層学習に基づくCUPの差分診断が可能な計算病理アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-24T17:59:36Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。