論文の概要: A Multicentric Dataset for Training and Benchmarking Breast Cancer Segmentation in H&E Slides

• arxiv url: http://arxiv.org/abs/2510.02037v1
• Date: Thu, 02 Oct 2025 14:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.15693
• Title: A Multicentric Dataset for Training and Benchmarking Breast Cancer Segmentation in H&E Slides
• Title（参考訳）: H&Eスライディングにおける乳がんセグメンテーションのトレーニングとベンチマークのための多中心データセット
• Authors: Carlijn Lems, Leslie Tessier, John-Melle Bokhorst, Mart van Rijthoven, Witali Aswolinskiy, Matteo Pozzi, Natalie Klubickova, Suzanne Dintzis, Michela Campora, Maschenka Balkenhol, Peter Bult, Joey Spronck, Thomas Detone, Mattia Barbareschi, Enrico Munari, Giuseppe Bogina, Jelle Wesseling, Esther H. Lips, Francesco Ciompi, Frédérique Meeuwsen, Jeroen van der Laak,
• Abstract要約: 本稿では,H&E陽性乳癌のマルチクラスセマンティックセグメンテーションのためのデータセットであるBrEast cancEr hisTopathoLogy sEgmentation (BEETLE)を紹介する。 3つの共同臨床センターと2つの公開データセットから587の生検と切除を行い、7つのスキャナーを用いてデジタル化し、全ての分子サブタイプと組織学的グレードをカバーする。 このデータセットの多様性と乳がんにおける自動バイオマーカー定量化分野への関連性は、その再利用の可能性を高める。
• 参考スコア（独自算出の注目度）: 1.2783652545738993
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automated semantic segmentation of whole-slide images (WSIs) stained with hematoxylin and eosin (H&E) is essential for large-scale artificial intelligence-based biomarker analysis in breast cancer. However, existing public datasets for breast cancer segmentation lack the morphological diversity needed to support model generalizability and robust biomarker validation across heterogeneous patient cohorts. We introduce BrEast cancEr hisTopathoLogy sEgmentation (BEETLE), a dataset for multiclass semantic segmentation of H&E-stained breast cancer WSIs. It consists of 587 biopsies and resections from three collaborating clinical centers and two public datasets, digitized using seven scanners, and covers all molecular subtypes and histological grades. Using diverse annotation strategies, we collected annotations across four classes - invasive epithelium, non-invasive epithelium, necrosis, and other - with particular focus on morphologies underrepresented in existing datasets, such as ductal carcinoma in situ and dispersed lobular tumor cells. The dataset's diversity and relevance to the rapidly growing field of automated biomarker quantification in breast cancer ensure its high potential for reuse. Finally, we provide a well-curated, multicentric external evaluation set to enable standardized benchmarking of breast cancer segmentation models.
• Abstract（参考訳）: ヘマトキシリンおよびエオシン(H&E)で染色した全スライディング画像(WSI)の自動セグメンテーションは、乳がんにおける大規模人工知能ベースのバイオマーカー解析に不可欠である。 しかし、乳がん分類のための既存の公開データセットには、モデル一般化可能性と、異種患者コホート間の堅牢なバイオマーカー検証をサポートするために必要な形態的多様性が欠如している。 本稿では,H&E陽性乳癌のマルチクラスセマンティックセグメンテーションのためのデータセットであるBrEast cancEr hisTopathoLogy sEgmentation (BEETLE)を紹介する。 3つの共同臨床センターと2つの公開データセットから587の生検と切除を行い、7つのスキャナーを用いてデジタル化し、全ての分子サブタイプと組織学的グレードをカバーする。 さまざまなアノテーション戦略を用いて,浸潤性上皮,非浸潤性上皮,壊死などの4種類のアノテーションを収集した。 このデータセットの多様性と乳がんにおける自動バイオマーカー定量化分野への関連性は、その再利用の可能性を高める。 最後に、乳がんセグメンテーションモデルの標準化ベンチマークを可能にするための、精度の高い多中心的外部評価セットを提供する。

関連論文リスト

• MoXGATE: Modality-aware cross-attention for multi-omic gastrointestinal cancer sub-type classification [7.7134821078470965]
  MoXGATEは、モダリティ間の依存関係をキャプチャし、堅牢で解釈可能な統合を保証する、新しいディープラーニングフレームワークである。 我々は,MoXGATEが既存の手法より優れ,95%の分類精度を実現していることを示す。 主な貢献は,(1)クロスアテンションに基づくマルチオミック統合フレームワーク,(2)解釈可能性向上のためのモダリティ重み付き融合,(3)データの不均衡を緩和するための焦点損失の応用などである。
  論文  参考訳（メタデータ） (2025-06-08T03:42:23Z)
• Multimodal Deep Learning for Subtype Classification in Breast Cancer Using Histopathological Images and Gene Expression Data [0.28675177318965045]
  本稿では,乳がんをBRCAに分類する深層マルチモーダル学習フレームワークを提案する。 提案手法では,ResNet-50モデルを用いて画像の特徴抽出を行う。 本研究は, 乳がん亜型分類における深層学習の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-03-04T18:24:33Z)
• 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)
• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• Screen Them All: High-Throughput Pan-Cancer Genetic and Phenotypic Biomarker Screening from H&E Whole Slide Images [10.358246499005062]
  OmniScreenは、60,529人のがん患者から抽出されたVirchow2の埋め込みを利用したAIベースのシステムである。 統一されたモデルを用いて、がん全体にわたる幅広い臨床関連バイオマーカーを予測する。 治療標的を確実に同定し、稀な腫瘍と稀な腫瘍に共通する表現型の特徴を共有できる。
  論文  参考訳（メタデータ） (2024-08-18T17:44:00Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
  低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。 本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。 私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
  論文  参考訳（メタデータ） (2021-02-11T09:04:45Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model Learning with Application to Genomic Data Integration [0.0]
  本稿では,異なるタイプのマルチオミックデータを解析するための混合グラフィカルモデルを提案する。 モデル選択結果の計算効率と精度の両面で,本手法が優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-08T16:34:58Z)

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。