論文の概要: A Comparative Analysis of Image Descriptors for Histopathological Classification of Gastric Cancer

• arxiv url: http://arxiv.org/abs/2503.17105v1
• Date: Fri, 21 Mar 2025 12:46:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:55:39.832027
• Title: A Comparative Analysis of Image Descriptors for Histopathological Classification of Gastric Cancer
• Title（参考訳）: 胃癌の病理組織学的分類のための画像記述子の比較検討
• Authors: Marco Usai, Andrea Loddo, Alessandra Perniciano, Maurizio Atzori, Cecilia Di Ruberto,
• Abstract要約: 胃がんは世界で5番目に多く、致死率も4番目に高く、5年生存率は約20%である。 本研究は, 組織像を健康・癌カテゴリに分類するために, 機械学習と深層学習技術を用いた。
• 参考スコア（独自算出の注目度）: 39.69192026190426
• License:
• Abstract: Gastric cancer ranks as the fifth most common and fourth most lethal cancer globally, with a dismal 5-year survival rate of approximately 20%. Despite extensive research on its pathobiology, the prognostic predictability remains inadequate, compounded by pathologists' high workload and potential diagnostic errors. Thus, automated, accurate histopathological diagnosis tools are crucial. This study employs Machine Learning and Deep Learning techniques to classify histopathological images into healthy and cancerous categories. Using handcrafted and deep features with shallow learning classifiers on the GasHisSDB dataset, we offer a comparative analysis and insights into the most robust and high-performing combinations of features and classifiers for distinguishing between normal and abnormal histopathological images without fine-tuning strategies. With the RF classifier, our approach can reach F1 of 93.4%, demonstrating its validity.
• Abstract（参考訳）: 胃がんは世界で5番目に多く、致死率も4番目に高く、5年生存率は約20%である。 病理学の広範な研究にもかかわらず、予後予測性はいまだ不十分であり、病理学者の高負荷と潜在的な診断誤差が混在している。 したがって、自動化された正確な病理診断ツールが不可欠である。 本研究は, 病理像を健康・癌に分類するために, 機械学習と深層学習技術を用いている。 本稿では,GasHisSDBデータセット上の浅層学習分類器を用いた手作り・深層機能を用いて,機能と分類器の最も堅牢で高性能な組み合わせに関する比較分析と知見を提供し,正常および異常な病理像を微調整戦略なしで識別する。 RF分類器を用いることで、我々のアプローチは93.4%のF1に達することができ、その妥当性を示すことができる。

関連論文リスト

• FECT: Classification of Breast Cancer Pathological Images Based on Fusion Features [1.9356426053533178]
  We propose a novel breast cancer tissue classification model that fused features of Edges, Cells, and tissues (FECT)。 我々のモデルは、分類精度とF1スコアの観点から、現在の高度な手法を超越している。 本モデルは解釈可能性を示し,今後の臨床応用において重要な役割を担っている。
  論文  参考訳（メタデータ） (2025-01-17T11:32:33Z)
• GRAPHITE: Graph-Based Interpretable Tissue Examination for Enhanced Explainability in Breast Cancer Histopathology [14.812589661794592]
  GRAPHITEは、乳がん組織マイクロアレイ(TMA)解析のために設計された、ポストホックな説明可能なフレームワークである。 140個の腫瘍TMAコアと4個の良性スライド画像から140個の良性サンプルを作成し,53個の病理組織学的TMAサンプルで試験した。 平均平均精度(mAP)は0.56、受信機動作特性曲線(AUROC)は0.94、しきい値ロバスト性(ThR)は0.70である。
  論文  参考訳（メタデータ） (2025-01-08T00:54:43Z)
• MRANet: A Modified Residual Attention Networks for Lung and Colon Cancer Classification [0.0]
  肺癌と大腸癌は、がんの死亡率に大きく寄与する。 異なる画像検出に画像技術を活用することで、学習モデルは癌分類の自動化において有望であることが示されている。 改良された注意ネットワークアーキテクチャに基づく新しいアプローチを提案する。 提案モデルの精度は99.30%,96.63%,97.56%であった。
  論文  参考訳（メタデータ） (2024-12-23T16:31:45Z)
• A Knowledge-enhanced Pathology Vision-language Foundation Model for Cancer Diagnosis [58.85247337449624]
  本稿では,疾患知識を階層型セマンティックグループ内のアライメントに組み込む知識強化型視覚言語事前学習手法を提案する。 KEEPはゼロショット癌診断タスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-17T17:45:21Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• EBHI-Seg: A Novel Enteroscope Biopsy Histopathological Haematoxylin and Eosin Image Dataset for Image Segmentation Tasks [21.17913442266469]
  大腸癌は一般的な致死性悪性腫瘍であり、男性では4番目に多いがんであり、世界でも3番目に多いがんである。 直腸がんの組織学的画像分割のためのデータセットが欠如しており、診断にコンピュータ技術を使用する場合、しばしば評価精度を損なう。 このデータセットは、大腸癌の診断のための新しいセグメンテーションアルゴリズムを研究者に提供することができる。
  論文  参考訳（メタデータ） (2022-12-01T14:37:12Z)
• EBHI:A New Enteroscope Biopsy Histopathological H&E Image Dataset for Image Classification Evaluation [29.162527503224364]
  大腸癌は世界で3番目に多いがんであり、がん患者の約10%を占めている。 本稿では,新たに公開された内視鏡生検生検生検生データ(EBHI)について報告する。 従来の機械学習手法は76.02%の最大精度を達成し、ディープラーニング手法は95.37%の最大精度を達成している。
  論文  参考訳（メタデータ） (2022-02-17T09:53:02Z)
• Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
  胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。 本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
  論文  参考訳（メタデータ） (2022-02-17T08:33:52Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。