論文の概要: CellOMaps: A Compact Representation for Robust Classification of Lung Adenocarcinoma Growth Patterns
- arxiv url: http://arxiv.org/abs/2501.08094v1
- Date: Tue, 14 Jan 2025 13:09:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-15 13:28:29.067251
- Title: CellOMaps: A Compact Representation for Robust Classification of Lung Adenocarcinoma Growth Patterns
- Title(参考訳): CellOMaps:肺腺癌増殖パターンのロバスト分類のためのコンパクトな表現法
- Authors: Arwa Al-Rubaian, Gozde N. Gunesli, Wajd A. Althakfi, Ayesha Azam, David Snead, Nasir M. Rajpoot, Shan E Ahmed Raza,
- Abstract要約: 肺腺癌(Lung adenocarcinoma, LUAD)は, 形態学的に異質な疾患である。
肺組織を5つのパターンの1つまたは非腫瘍の1つに分類できる一般化可能な機械学習パイプラインを提案する。
- 参考スコア(独自算出の注目度): 6.926573278857427
- License:
- Abstract: Lung adenocarcinoma (LUAD) is a morphologically heterogeneous disease, characterized by five primary histological growth patterns. The classification of such patterns is crucial due to their direct relation to prognosis but the high subjectivity and observer variability pose a major challenge. Although several studies have developed machine learning methods for growth pattern classification, they either only report the predominant pattern per slide or lack proper evaluation. We propose a generalizable machine learning pipeline capable of classifying lung tissue into one of the five patterns or as non-tumor. The proposed pipeline's strength lies in a novel compact Cell Organization Maps (cellOMaps) representation that captures the cellular spatial patterns from Hematoxylin and Eosin whole slide images (WSIs). The proposed pipeline provides state-of-the-art performance on LUAD growth pattern classification when evaluated on both internal unseen slides and external datasets, significantly outperforming the current approaches. In addition, our preliminary results show that the model's outputs can be used to predict patients Tumor Mutational Burden (TMB) levels.
- Abstract(参考訳): 肺腺癌(Lung adenocarcinoma, LUAD)は, 形態学的に異質な疾患である。
このようなパターンの分類は、予後と直接の関係から重要であるが、主観性と観察者の多様性が高いことが大きな課題である。
いくつかの研究では、成長パターン分類のための機械学習手法が開発されているが、それらはスライド毎に支配的なパターンを報告するか、適切な評価を欠いている。
肺組織を5つのパターンの1つまたは非腫瘍の1つに分類できる一般化可能な機械学習パイプラインを提案する。
提案されたパイプラインの強さは、ヘマトキシリンとEosin全体のスライド画像(WSI)から細胞空間パターンをキャプチャする、新しいコンパクトなセルオーガナイゼーションマップ(cellOMaps)表現にある。
提案したパイプラインは、内部の見えないスライドと外部データセットの両方で評価した場合、LUAD成長パターンの分類における最先端のパフォーマンスを提供し、現在のアプローチよりも大幅に優れています。
さらに, 腫瘍突然変異バーデン (TMB) の予測には, モデルによるアウトプットが有効であることを示した。
関連論文リスト
- KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
本稿では,網膜血管分割のためのKLDDモデルを提案する。
我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。
実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
論文 参考訳(メタデータ) (2024-09-19T14:21:38Z) - Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。
本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
論文 参考訳(メタデータ) (2024-05-01T23:40:12Z) - Cell Maps Representation For Lung Adenocarcinoma Growth Patterns Classification In Whole Slide Images [0.5906576076342179]
肺腺癌は, 形態学的に異質な疾患であり, 5つの原発組織学的成長パターンを特徴とする。
組織タイルを5つのパターンの1つまたは非腫瘍の1つに分類できる新しい機械学習パイプラインを提案する。
論文 参考訳(メタデータ) (2023-11-27T14:12:51Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳(メタデータ) (2023-10-10T14:37:17Z) - Classification of lung cancer subtypes on CT images with synthetic
pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。
肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文 参考訳(メタデータ) (2023-08-09T02:04:05Z) - 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) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - 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) - ProCAN: Progressive Growing Channel Attentive Non-Local Network for Lung
Nodule Classification [0.0]
CT検診における肺癌の分類は,早期発見の最も重要な課題の一つである。
近年、肺結節を悪性または良性に分類する深層学習モデルが提案されている。
肺結節分類のためのProCAN(Progressive Growing Channel Attentive Non-Local)ネットワークを提案する。
論文 参考訳(メタデータ) (2020-10-29T08:42:11Z) - Bilateral Asymmetry Guided Counterfactual Generating Network for
Mammogram Classification [48.4619620405991]
画像レベルのラベルのみによるマンモグラムの良性や悪性の分類は,病変アノテーションが欠如しているため困難である。
画像に病変がなければ, 特徴がどのように振る舞うかという, 反現実的な問題を探ることができる。
我々は、対称的先行性に基づく反事実生成のための新しい理論的結果を得る。
論文 参考訳(メタデータ) (2020-09-30T03:15:30Z)
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。