論文の概要: Comparative Analysis of Hand-Crafted and Machine-Driven Histopathological Features for Prostate Cancer Classification and Segmentation
- arxiv url: http://arxiv.org/abs/2501.12415v1
- Date: Sun, 19 Jan 2025 17:43:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-23 13:30:27.274210
- Title: Comparative Analysis of Hand-Crafted and Machine-Driven Histopathological Features for Prostate Cancer Classification and Segmentation
- Title(参考訳): 前立腺癌分類・分節における手作り・機械駆動型病理組織学的特徴の比較検討
- Authors: Feda Bolus Al Baqain, Omar Sultan Al-Kadi,
- Abstract要約: Gleason grading を自動化するために,前立腺画像の腺構造を分割する2つの手法の比較分析を行った。
最初のアプローチは、Gray Level Co-Occurrence Matrix(GLCM)とLocal Binary Pattern(LBP)テクスチャ記述子を組み合わせた手作りの学習手法である。
機械駆動型特徴抽出では,前立腺間質組織のセマンティックセグメンテーションを行うためにU-Net畳み込みニューラルネットワークを用いる。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Histopathological image analysis is a reliable method for prostate cancer identification. In this paper, we present a comparative analysis of two approaches for segmenting glandular structures in prostate images to automate Gleason grading. The first approach utilizes a hand-crafted learning technique, combining Gray Level Co-Occurrence Matrix (GLCM) and Local Binary Pattern (LBP) texture descriptors to highlight spatial dependencies and minimize information loss at the pixel level. For machine driven feature extraction, we employ a U-Net convolutional neural network to perform semantic segmentation of prostate gland stroma tissue. Support vector machine-based learning of hand-crafted features achieves impressive classification accuracies of 99.0% and 95.1% for GLCM and LBP, respectively, while the U-Net-based machine-driven features attain 94% accuracy. Furthermore, a comparative analysis demonstrates superior segmentation quality for histopathological grades 1, 2, 3, and 4 using the U-Net approach, as assessed by Jaccard and Dice metrics. This work underscores the utility of machine-driven features in clinical applications that rely on automated pixel-level segmentation in prostate tissue images.
- Abstract(参考訳): 病理組織学的画像解析は前立腺癌同定の信頼性が高い方法である。
本稿では,前立腺画像中の腺構造を分割する2つの手法の比較分析を行い,Gleason grading の自動化について述べる。
最初のアプローチは、Gray Level Co-Occurrence Matrix(GLCM)とLocal Binary Pattern(LBP)テクスチャ記述子を組み合わせて、空間的依存関係を強調し、ピクセルレベルでの情報損失を最小限に抑える、手作りの学習技術を利用する。
機械駆動型特徴抽出では,前立腺間質組織のセマンティックセグメンテーションを行うためにU-Net畳み込みニューラルネットワークを用いる。
手作り機能のサポートベクターマシンベースの学習は、それぞれGLCMとLCPの99.0%と95.1%という印象的な分類精度を達成する一方、U-Netベースのマシン駆動機能は94%の精度を実現している。
さらに、Jaccard と Dice の測定値から、U-Net アプローチを用いて、病理組織学的グレード 1, 2, 3, 4 のセグメンテーション品質を比較検討した。
この研究は、前立腺組織画像のピクセルレベルの自動分割に依存する臨床応用における機械駆動機能の有用性を裏付けるものである。
関連論文リスト
- Comparative analysis of deep learning approaches for AgNOR-stained
cytology samples interpretation [52.77024349608834]
本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。
以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。
最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
論文 参考訳(メタデータ) (2022-10-19T15:15:32Z) - Application of Graph Based Features in Computer Aided Diagnosis for
Histopathological Image Classification of Gastric Cancer [7.607669435880715]
胃癌の病理組織学的画像解析にグラフベースの特徴が応用される。
U-Netを用いて組織領域を分割し、グラフベースの特徴を抽出し、最終的にRBF SVM分類器を使用することで94.29%の最適結果が得られることがわかった。
論文 参考訳(メタデータ) (2022-05-17T16:16:29Z) - 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) - Prostate Gland Segmentation in Histology Images via Residual and
Multi-Resolution U-Net [1.244681179922733]
この研究は、U-Net畳み込みニューラルネットワークアーキテクチャに基づく前立腺のセグメンテーションであり、残留ブロックと多解像度ブロックで修正され、データ拡張技術を用いて訓練されている。
残差構成は、画像レベルの比較において、テストサブセットで以前の最先端アプローチよりも優れており、平均Dice Index は 0.77 に達する。
論文 参考訳(メタデータ) (2021-05-21T20:11:36Z) - 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) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - 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) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - Gleason Grading of Histology Prostate Images through Semantic
Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。
コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。
この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文 参考訳(メタデータ) (2020-05-22T19:49:10Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳(メタデータ) (2020-04-26T08:49:17Z)
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。