論文の概要: Glo-DMU: A Deep Morphometry Framework of Ultrastructural Characterization in Glomerular Electron Microscopic Images
- arxiv url: http://arxiv.org/abs/2508.10351v1
- Date: Thu, 14 Aug 2025 05:25:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-15 22:24:48.188223
- Title: Glo-DMU: A Deep Morphometry Framework of Ultrastructural Characterization in Glomerular Electron Microscopic Images
- Title（参考訳）: Glo-DMU: 糸球体電子顕微鏡像の微細構造解析のための深部形態計測フレームワーク
- Authors: Zhentai Zhang, Danyi Weng, Guibin Zhang, Xiang Chen, Kaixing Long, Jian Geng, Yanmeng Lu, Lei Zhang, Zhitao Zhou, Lei Cao,
- Abstract要約: 複雑で多様な超構造的特徴は、腎臓病のタイプ、進行、予後を示す。
我々は超構造評価のための球状形態計測フレームワーク(Glo-DMU)を提案する。
Glo-DMUは、球状基底膜の厚み、足のプロセスの外観の程度、電子線密度の堆積物の位置を同時に定量する。
- 参考スコア（独自算出の注目度）: 8.502981501295627
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Complex and diverse ultrastructural features can indicate the type, progression, and prognosis of kidney diseases. Recently, computational pathology combined with deep learning methods has shown tremendous potential in advancing automatic morphological analysis of glomerular ultrastructure. However, current research predominantly focuses on the recognition of individual ultrastructure, which makes it challenging to meet practical diagnostic needs. In this study, we propose the glomerular morphometry framework of ultrastructural characterization (Glo-DMU), which is grounded on three deep models: the ultrastructure segmentation model, the glomerular filtration barrier region classification model, and the electron-dense deposits detection model. Following the conventional protocol of renal biopsy diagnosis, this framework simultaneously quantifies the three most widely used ultrastructural features: the thickness of glomerular basement membrane, the degree of foot process effacement, and the location of electron-dense deposits. We evaluated the 115 patients with 9 renal pathological types in real-world diagnostic scenarios, demonstrating good consistency between automatic quantification results and morphological descriptions in the pathological reports. Glo-DMU possesses the characteristics of full automation, high precision, and high throughput, quantifying multiple ultrastructural features simultaneously, and providing an efficient tool for assisting renal pathologists.
- Abstract（参考訳）: 複雑で多様な超構造的特徴は、腎臓病のタイプ、進行、予後を示す。
近年, 深層学習法と組み合わせた計算病理学は, 糸球体超微構造の自動形態解析を推し進める大きな可能性を示している。
しかし、近年の研究は主に個々の超微構造を認識することに焦点を当てており、実際的な診断のニーズを満たすことは困難である。
本研究では,超微構造セグメンテーションモデル,糸球体濾過バリア領域分類モデル,電子線密度堆積物検出モデルという3つの深層モデルに基づいて,超微構造評価の糸球体形態計測フレームワークを提案する。
従来の腎生検診断法に従って, 糸球体基底膜の厚み, 足のプロセス面の程度, 電子線量による沈着位置の3つの超微形態的特徴を同時に定量化した。
実際の診断シナリオでは,9型腎病型115例について検討し,自動定量化結果と病理所見との整合性について検討した。
Glo-DMUは、完全自動化、高精度、高スループットの特徴を有し、複数の超構造的特徴を同時に定量化し、腎病理医を支援する効率的なツールを提供する。
関連論文リスト
- Multimodal Sheaf-based Network for Glioblastoma Molecular Subtype Prediction [5.563171090433323]
我々はMRIと病理組織学データの構造認識と一貫した融合のための新しい枠組みを提案する。
我々のモデルはベースライン手法より優れ、不完全あるいは欠落したデータシナリオにおける堅牢性を示す。
論文 参考訳（メタデータ） (2025-08-13T11:11:33Z) - GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。
2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
論文 参考訳（メタデータ） (2025-08-05T12:26:36Z) - Dynamic Hypergraph Representation for Bone Metastasis Cancer Analysis [12.383707480056557]
骨転移解析は患者の生活の質や治療戦略を決定する上で重要な役割を担っている。
従来のグラフ表現のエッジ構築制限を克服する動的ハイパーグラフニューラルネットワーク(DyHG)を提案する。
DyHGは最先端のSOTAベースラインを著しく上回り、複雑な生物学的相互作用をモデル化する能力を示している。
論文 参考訳（メタデータ） (2025-01-28T08:33:59Z) - TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。
VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。
本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文 参考訳（メタデータ） (2024-11-05T19:35:10Z) - Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - Large-scale Long-tailed Disease Diagnosis on Radiology Images [51.453990034460304]
RadDiagは、様々なモダリティと解剖学にわたる2Dおよび3D入力をサポートする基礎モデルである。
私たちのデータセットであるRP3D-DiagDSは、5,568の障害をカバーする195,010のスキャンで40,936の症例を含む。
論文 参考訳（メタデータ） (2023-12-26T18:20:48Z) - Weakly Supervised AI for Efficient Analysis of 3D Pathology Samples [6.381153836752796]
3次元組織画像処理のためのボリュームブロック解析(MAMBA)のためのModality-Agnostic Multiple Case Learningを提案する。
3Dブロックベースのアプローチでは、MAMBAは2Dの単一スライスによる予測よりも優れた受信特性曲線(AUC)の0.86と0.74の領域を達成している。
さらに, 組織体積が大きくなることで予後が向上し, サンプリングバイアスによるリスク予測のばらつきが軽減されることが示唆された。
論文 参考訳（メタデータ） (2023-07-27T14:48:02Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳（メタデータ） (2023-04-15T09:39:52Z) - A Hybrid Approach to Full-Scale Reconstruction of Renal Arterial Network [5.953404851562665]
腎血管ネットワークの主観的なモデルを構築するためのハイブリッドフレームワークを提案する。
我々は,大動脈の半自動分割と微小CTスキャンによる大脳皮質領域の推定を出発点として用いた。
ラット腎から得られた再建データと既存の解剖学的データとの統計的対応性を示した。
論文 参考訳（メタデータ） (2023-03-03T10:39:25Z) - Pan-Cancer Integrative Histology-Genomic Analysis via Interpretable
Multimodal Deep Learning [4.764927152701701]
14種類のがん患者5,720人のスライド画像,RNA配列,コピー数の変化,および突然変異データを統合する。
我々の解釈可能な、弱教師付き、マルチモーダルなディープラーニングアルゴリズムは、これらの不均一なモダリティを融合して結果を予測することができる。
本研究は,全ての癌型にまたがる予後予測に寄与する形態学的および分子マーカーを解析する。
論文 参考訳（メタデータ） (2021-08-04T20:40:05Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳（メタデータ） (2021-07-12T09:04:20Z)
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。