論文の概要: Identifying regions of interest in whole slide images of renal cell carcinoma
- arxiv url: http://arxiv.org/abs/2504.07313v1
- Date: Wed, 09 Apr 2025 22:28:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-11 12:22:13.072729
- Title: Identifying regions of interest in whole slide images of renal cell carcinoma
- Title（参考訳）: 腎細胞癌全スライド画像における興味領域の同定
- Authors: Mohammed Lamine Benomar, Nesma Settouti, Eric Debreuve, Xavier Descombes, Damien Ambrosetti,
- Abstract要約: 本研究は腎細胞癌(RCC)のスライド画像全体の関心領域(ROI)を自動的に検出するシステムを開発した。
提案手法は, 最大回転局所二分パターン (DRLBP) と色変換 (カラー変換) と呼ばれる効率的なテクスチャ記述子を用いて, 微視的高倍率レベルでの大局的なテクスチャ変動を明らかにし, 活用する。
提案手法は画像分類を極めて効果的に行い,ROIの同定に有効であることを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: The histopathological images contain a huge amount of information, which can make diagnosis an extremely timeconsuming and tedious task. In this study, we developed a completely automated system to detect regions of interest (ROIs) in whole slide images (WSI) of renal cell carcinoma (RCC), to reduce time analysis and assist pathologists in making more accurate decisions. The proposed approach is based on an efficient texture descriptor named dominant rotated local binary pattern (DRLBP) and color transformation to reveal and exploit the immense texture variability at the microscopic high magnifications level. Thereby, the DRLBPs retain the structural information and utilize the magnitude values in a local neighborhood for more discriminative power. For the classification of the relevant ROIs, feature extraction of WSIs patches was performed on the color channels separately to form the histograms. Next, we used the most frequently occurring patterns as a feature selection step to discard non-informative features. The performances of different classifiers on a set of 1800 kidney cancer patches originating from 12 whole slide images were compared and evaluated. Furthermore, the small size of the image dataset allows to investigate deep learning approach based on transfer learning for image patches classification by using deep features and fine-tuning methods. High recognition accuracy was obtained and the classifiers are efficient, the best precision result was 99.17% achieved with SVM. Moreover, transfer learning models perform well with comparable performance, and the highest precision using ResNet-50 reached 98.50%. The proposed approach results revealed a very efficient image classification and demonstrated efficacy in identifying ROIs. This study presents an automatic system to detect regions of interest relevant to the diagnosis of kidney cancer in whole slide histopathology images.
- Abstract（参考訳）: 病理画像には大量の情報が含まれており、診断に非常に時間がかかり、面倒な作業になる可能性がある。
本研究では,腎細胞癌 (RCC) のスライド画像全体(WSI)における関心領域(ROI)を自動的に検出し,時間解析の削減と病理医のより正確な意思決定を支援するシステムを開発した。
提案手法は, 最大回転局所二分パターン (DRLBP) と色変換 (カラー変換) と呼ばれる効率的なテクスチャ記述子を用いて, 微視的高倍率レベルでの大局的なテクスチャ変動を明らかにし, 活用する。
これにより、DRLBPは構造情報を保持し、より識別力を高めるために、局所的な地区における大きさ値を利用する。
関連するROIを分類するために,WSIsパッチの特徴抽出をカラーチャネルで別々に行い,ヒストグラムを作成した。
次に、最も頻繁に発生するパターンを特徴選択ステップとして使用し、非表現的特徴を捨てました。
12枚のスライディング画像から得られた1800個の腎癌パッチに対する異なる分類器の性能を比較し,評価した。
さらに、画像データセットの小型化により、深層特徴と微調整手法を用いて、画像パッチ分類のための転写学習に基づくディープラーニングアプローチを研究できる。
高い認識精度が得られ、分類器は効率的であり、最高の精度はSVMで99.17%であった。
さらに、転送学習モデルは同等のパフォーマンスで良好に動作し、ResNet-50を用いた最高精度は98.50%に達した。
提案手法は画像分類を極めて効果的に行い,ROIの同定に有効であることを示した。
本研究は,スライド病理組織像全体において腎癌の診断に関連のある領域を自動的に検出するシステムを提案する。
関連論文リスト
- Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。
ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。
本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T15:04:42Z) - Automated COVID-19 CT Image Classification using Multi-head Channel
Attention in Deep CNN [0.0]
新型コロナウイルスのCTスキャン自動分類のための新しい深層学習手法を提案する。
新しく設計されたチャネルアテンション機構と重み付きグローバル平均プールを組み込んだ改良型Xceptionモデルを提案する。
広く使われている新型コロナウイルスのCTスキャンデータセットの実験は96.99%の精度を示し、他の最先端技術よりも優れていることを示している。
論文 参考訳（メタデータ） (2023-07-31T16:44:06Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳（メタデータ） (2023-03-02T15:18:58Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - Deep Learning for Breast Cancer Classification: Enhanced Tangent
Function [27.761266391596262]
近年,畳み込みニューラルネットワークを用いた深層学習は,乳房細胞の画像の正確な分類に成功している。
Patch-based Adaptive Deepal Neural Network (DCNN) を用いて乳癌の分類精度を高めることを目的とした。
提案手法は, 画像コントラストを向上し, 消失勾配を減少させることにより, がんの精度を高めることに焦点を当てた。
論文 参考訳（メタデータ） (2021-07-01T08:36:27Z) - 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) - Automated Prostate Cancer Diagnosis Based on Gleason Grading Using
Convolutional Neural Network [12.161266795282915]
そこで本研究では,前立腺癌(PCa)の完全分類のための畳み込みニューラルネットワーク(CNN)を用いた自動分類法を提案する。
Patch-Based Image Reconstruction (PBIR) と呼ばれるデータ拡張手法が提案され,WSIの高分解能化と多様性の向上が図られた。
対象データセットへの事前学習モデルの適応性を高めるために,分布補正モジュールを開発した。
論文 参考訳（メタデータ） (2020-11-29T06:42:08Z) - Metastatic Cancer Image Classification Based On Deep Learning Method [7.832709940526033]
画像分類におけるディープラーニングアルゴリズム, DenseNet169 フレームワーク, Rectified Adam 最適化アルゴリズムを併用したNoval法を提案する。
我々のモデルは、Vgg19、Resnet34、Resnet50のような他の古典的畳み込みニューラルネットワークアプローチよりも優れた性能を実現する。
論文 参考訳（メタデータ） (2020-11-13T16:04:39Z) - Representation Learning of Histopathology Images using Graph Neural
Networks [12.427740549056288]
本稿では,WSI表現学習のための2段階フレームワークを提案する。
色に基づく手法を用いて関連するパッチをサンプリングし、グラフニューラルネットワークを用いてサンプルパッチ間の関係を学習し、画像情報を単一のベクトル表現に集約する。
肺腺癌 (LUAD) と肺扁平上皮癌 (LUSC) の2つの亜型を鑑別するためのアプローチの有用性について検討した。
論文 参考訳（メタデータ） (2020-04-16T00:09:20Z)
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。