論文の概要: Deep Learning Based Segmentation of Blood Vessels from H&E Stained Oesophageal Adenocarcinoma Whole-Slide Images

• arxiv url: http://arxiv.org/abs/2501.12323v1
• Date: Tue, 21 Jan 2025 17:42:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:20:45.958864
• Title: Deep Learning Based Segmentation of Blood Vessels from H&E Stained Oesophageal Adenocarcinoma Whole-Slide Images
• Title（参考訳）: H&E染色食道腺癌全スライディング画像からの深層学習による血管の分別
• Authors: Jiaqi Lv, Stefan S Antonowicz, Shan E Ahmed Raza,
• Abstract要約: 腫瘍微小環境(TME)における血管の役割 ヘマトキシリンおよびエオシン染色画像中のBVを手動で定量化することは、不均一な外観のため困難であり、労働集約的である。 本稿では,BVセグメンテーションのための最先端セグメンテーションモデルの性能向上を目的としたガイドマップの構築手法を提案する。
• 参考スコア（独自算出の注目度）: 4.79486571563022
• License:
• Abstract: Blood vessels (BVs) play a critical role in the Tumor Micro-Environment (TME), potentially influencing cancer progression and treatment response. However, manually quantifying BVs in Hematoxylin and Eosin (H&E) stained images is challenging and labor-intensive due to their heterogeneous appearances. We propose a novel approach of constructing guiding maps to improve the performance of state-of-the-art segmentation models for BV segmentation, the guiding maps encourage the models to learn representative features of BVs. This is particularly beneficial for computational pathology, where labeled training data is often limited and large models are prone to overfitting. We have quantitative and qualitative results to demonstrate the efficacy of our approach in improving segmentation accuracy. In future, we plan to validate this method to segment BVs across various tissue types and investigate the role of cellular structures in relation to BVs in the TME.
• Abstract（参考訳）: 血管(BV)は腫瘍微小環境(TME)において重要な役割を担い、がんの進行と治療反応に影響を与える可能性がある。 しかしながら、ヘマトキシリンとエオシン(H&E)染色画像中のBVを手動で定量化することは困難であり、不均一な外観のため、労働集約的である。 本稿では,BVセグメンテーションのための最先端セグメンテーションモデルの性能向上を目的としたガイドマップ構築手法を提案する。 これは、ラベル付きトレーニングデータが制限されることが多く、大規模なモデルでは過度に適合する傾向がある計算病理学にとって特に有益である。 セグメンテーション精度を向上させるためのアプローチの有効性を示すために,定量および定性的な結果を得た。 今後,様々な組織タイプにまたがってBVを分別する手法を検証するとともに,TMEにおけるBVと細胞構造の役割について検討する。

関連論文リスト

• Classification and Morphological Analysis of DLBCL Subtypes in H\&E-Stained Slides [1.6921301404288207]
  びまん性大細胞型B細胞リンパ腫(DLBCL)の分類のためのディープラーニングモデルを提案する。 クロスバリデーション中の平均面積は (87.4 pm 5.7)% の曲線 (AUC) である。 臨床応用の可能性を示す高い正の予測値(PPV)を示す。
  論文  参考訳（メタデータ） (2024-11-13T11:25:26Z)
• FANCL: Feature-Guided Attention Network with Curriculum Learning for Brain Metastases Segmentation [5.922836741521003]
  ディープ畳み込みニューラルネットワーク(CNN)に基づく手法は,高いセグメンテーション性能を実現している。 畳み込みとプール操作によって重要な特徴情報が失われているため、CNNは小さなBMセグメンテーションにおいて大きな課題に直面している。 本稿では,カリキュラム学習を用いた特徴誘導型注目ネットワーク(FANCL)を提案する。
  論文  参考訳（メタデータ） (2024-10-29T14:08:39Z)
• Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning [1.4053129774629076]
  本研究では,乳房超音波(US)画像における乳房病変の鑑別を目的とした,関心領域(ROI)を自律的に生成することを目的とした,教師なし領域適応手法を提案する。 我々の半教師付き学習アプローチは、真のアノテーションを持つ小さな母乳USデータセットで訓練された原始モデルを利用する。 このモデルはドメイン適応タスクのために反復的に洗練され、当社のプライベートな無注釈乳房データセットに擬似マスクを生成します。
  論文  参考訳（メタデータ） (2024-04-18T18:25:00Z)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)
• Deep learning-based instance segmentation for the precise automated quantification of digital breast cancer immunohistochemistry images [1.8434042562191815]
  深層学習に基づくインスタンスセグメンテーションアーキテクチャを用いて,IHCスライスに適用した核バイオマーカーと膜バイオマーカーの自動定量化の実現可能性を示した。 HE, ER, Ki-67 (核バイオマーカー) およびHER2 (膜バイオマーカー) IHC-stained image を用いてアノテーションを収集した。 我々は、2つのモデル(いわゆる核・膜認識セグメンテーションモデル)を訓練した。
  論文  参考訳（メタデータ） (2023-11-22T22:23:47Z)
• 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)
• Beyond attention: deriving biologically interpretable insights from weakly-supervised multiple-instance learning models [2.639541396835675]
  本稿では,高精細エンコーダによるタイルレベルのアテンションと予測スコアを組み合わせたPAWマップを提案する。 また, PAWマップと核分割マスクを統合することにより, 生物学的特徴のインスタンス化手法も導入する。 本手法により, 予後不良の予知を行う領域は, 腫瘍部位と同一位置にあることが判明した。
  論文  参考訳（メタデータ） (2023-09-07T09:44:35Z)
• 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)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)

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。