論文の概要: Equivariant Imaging Biomarkers for Robust Unsupervised Segmentation of Histopathology

• arxiv url: http://arxiv.org/abs/2505.05689v1
• Date: Thu, 08 May 2025 23:19:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.106117
• Title: Equivariant Imaging Biomarkers for Robust Unsupervised Segmentation of Histopathology
• Title（参考訳）: ロバスト非教師による病理組織分離のための同変イメージングバイオマーカー
• Authors: Fuyao Chen, Yuexi Du, Tal Zeevi, Nicha C. Dvornek, John A. Onofrey,
• Abstract要約: 病理組織学的評価は正確な疾患診断と予後に不可欠である。 専門的に訓練された病理学者による伝統的な手動分析は、時間消費、労働集約、コスト非効率、およびラター間変動の傾向である。
• 参考スコア（独自算出の注目度）: 4.079341102022069
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Histopathology evaluation of tissue specimens through microscopic examination is essential for accurate disease diagnosis and prognosis. However, traditional manual analysis by specially trained pathologists is time-consuming, labor-intensive, cost-inefficient, and prone to inter-rater variability, potentially affecting diagnostic consistency and accuracy. As digital pathology images continue to proliferate, there is a pressing need for automated analysis to address these challenges. Recent advancements in artificial intelligence-based tools such as machine learning (ML) models, have significantly enhanced the precision and efficiency of analyzing histopathological slides. However, despite their impressive performance, ML models are invariant only to translation, lacking invariance to rotation and reflection. This limitation restricts their ability to generalize effectively, particularly in histopathology, where images intrinsically lack meaningful orientation. In this study, we develop robust, equivariant histopathological biomarkers through a novel symmetric convolutional kernel via unsupervised segmentation. The approach is validated using prostate tissue micro-array (TMA) images from 50 patients in the Gleason 2019 Challenge public dataset. The biomarkers extracted through this approach demonstrate enhanced robustness and generalizability against rotation compared to models using standard convolution kernels, holding promise for enhancing the accuracy, consistency, and robustness of ML models in digital pathology. Ultimately, this work aims to improve diagnostic and prognostic capabilities of histopathology beyond prostate cancer through equivariant imaging.
• Abstract（参考訳）: 顕微鏡検査による組織標本の病理組織学的評価は、正確な疾患診断と予後に不可欠である。 しかし、専門的に訓練された病理学者による伝統的な手動分析は、時間を要する、労働集約的で、コスト非効率であり、ラッター間変動の傾向があり、診断の整合性と正確性に影響を及ぼす可能性がある。 デジタル病理画像の普及に伴い,これらの課題に対処するための自動解析の必要性が高まっている。 機械学習(ML)モデルのような人工知能ベースのツールの最近の進歩は、病理組織学的スライドの分析の精度と効率を大幅に向上させた。 しかし、その印象的な性能にもかかわらず、MLモデルは翻訳にのみ不変であり、回転と反射の不変性に欠ける。 この制限は、特に画像が本質的に意味のある向きを欠いている病理学において、効果的に一般化する能力を制限する。 本研究では,非教師付きセグメンテーションによる新しい対称畳み込みカーネルを用いて,ロバストで均質な組織学的バイオマーカーを開発する。 このアプローチは、Gleason 2019 Challenge公開データセットにある50人の患者の前立腺組織マイクロアレイ(TMA)画像を用いて検証されている。 この手法により抽出されたバイオマーカーは、標準的な畳み込みカーネルを用いたモデルと比較して、回転に対する堅牢性と一般化性を向上し、デジタル病理学におけるMLモデルの正確性、一貫性、堅牢性を高めることを約束する。 本研究は,同変撮影による前立腺癌以外の病理組織学の診断・予後能力の向上を目的としている。

関連論文リスト

• AI Assisted Cervical Cancer Screening for Cytology Samples in Developing Countries [0.18472148461613155]
  頸部がんは依然として重大な健康上の問題であり、高い死亡率と死亡率がある。 従来の液体ベース細胞学(LBC)は、労働集約的なプロセスであり、専門家の病理医を必要とし、エラーを生じやすい。 本稿では, 低コストな生体顕微鏡と, 簡易かつ効率的なAIアルゴリズムを統合し, 自動全すべり解析を行う革新的な手法を提案する。
  論文  参考訳（メタデータ） (2025-04-29T05:18:59Z)
• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification, An Interpretable Multi-Omics Approach [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• GS-TransUNet: Integrated 2D Gaussian Splatting and Transformer UNet for Accurate Skin Lesion Analysis [44.99833362998488]
  本稿では,2次元ガウススプラッティングとTransformer UNetアーキテクチャを組み合わせた皮膚癌自動診断手法を提案する。 セグメンテーションと分類の精度は著しく向上した。 この統合は、新しいベンチマークをこの分野に設定し、マルチタスク医療画像解析手法のさらなる研究の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-23T23:28:47Z)
• Efficient Precision Control in Object Detection Models for Enhanced and Reliable Ovarian Follicle Counting [37.9434503914985]
  機械学習の大きな課題は、高いリコールを可能にしながら予測の精度を制御することである。 標準的なPrecision-Recallトレードオフを解決するために、オーバーパフォーマンスな方法を提供する複数のテスト手順を使用します。 モデルに依存しないので、この文脈選択手順は、再トレーニングすることなく、任意のモデルの性能を向上させる戦略の開発への道を開く。
  論文  参考訳（メタデータ） (2025-01-23T19:04:47Z)
• Towards a Comprehensive Benchmark for Pathological Lymph Node Metastasis in Breast Cancer Sections [21.75452517154339]
  我々は1,399枚のスライド画像(WSI)と、Camelyon-16とCamelyon-17データセットのラベルを再処理した。 再発腫瘍領域の大きさから,2重複癌検診を4段階に改善した。
  論文  参考訳（メタデータ） (2024-11-16T09:19:24Z)
• Generative Adversarial Networks for Stain Normalisation in Histopathology [2.2166690647926037]
  現在の研究における重要な障害の1つは、デジタル病理画像間の高レベルの視覚的変動である。 Sten normalization は、画像の構造的内容を変更することなく、デジタル病理画像の視覚的プロファイルを標準化することを目的としている。 研究者は、病理画像を効率的に正規化し、AIモデルをより堅牢で一般化可能にする方法を見つけることを目的としている。
  論文  参考訳（メタデータ） (2023-08-05T11:38:05Z)
• 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)
• 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)
• 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)

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。