論文の概要: Classifying Histopathologic Glioblastoma Sub-regions with EfficientNet

• arxiv url: http://arxiv.org/abs/2511.08896v1
• Date: Thu, 13 Nov 2025 01:15:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.284237
• Title: Classifying Histopathologic Glioblastoma Sub-regions with EfficientNet
• Title（参考訳）: 組織学的Glioblastoma sub- Regions with EfficientNet (特集 組織学的Glioblastoma sub Regions)
• Authors: Sanyukta Adap, Ujjwal Baid, Spyridon Bakas,
• Abstract要約: Glioblastoma (GBM) は攻撃性で急速に増殖する脳腫瘍で、グリム予後を示す。 6つの組織領域を分類し,BraTS-Path 2024チャレンジデータセットで定量的に評価する4段階の深層学習手法を考案した。 EfficientNet-B1とEfficientNet-B4は5倍のクロスバリデーション構成でF1スコア0.98を達成した。
• 参考スコア（独自算出の注目度）: 0.6507401132790146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Glioblastoma (GBM) is the most common aggressive, fast-growing brain tumor, with a grim prognosis. Despite clinical diagnostic advancements, there have not been any substantial improvements to patient prognosis. Histopathological assessment of excised tumors is the first line of clinical diagnostic routine. We hypothesize that automated, robust, and accurate identification of distinct histological sub-regions within GBM could contribute to morphologically understanding this disease at scale. In this study, we designed a four-step deep learning approach to classify six (6) histopathological regions and quantitatively evaluated it on the BraTS-Path 2024 challenge dataset, which includes digitized Hematoxylin \& Eosin (H\&E) stained GBM tissue sections annotated for six distinct regions. We used the challenge's publicly available training dataset to develop and evaluate the effectiveness of several variants of EfficientNet architectures (i.e., B0, B1, B2, B3, B4). EfficientNet-B1 and EfficientNet-B4 achieved the best performance, achieving an F1 score of 0.98 in a 5-fold cross-validation configuration using the BraTS-Path training set. The quantitative performance evaluation of our proposed approach with EfficientNet-B1 on the BraTS-Path hold-out validation data and the final hidden testing data yielded F1 scores of 0.546 and 0.517, respectively, for the associated 6-class classification task. The difference in the performance on training, validation, and testing data highlights the challenge of developing models that generalize well to new data, which is crucial for clinical applications. The source code of the proposed approach can be found at the GitHub repository of Indiana University Division of Computational Pathology: https://github.com/IUCompPath/brats-path-2024-enet.
• Abstract（参考訳）: Glioblastoma (GBM) は攻撃性で急速に増殖する脳腫瘍で、グリム予後を示す。 臨床診断の進歩にもかかわらず、患者の予後に大きな改善はない。 切除腫瘍の病理組織学的評価は臨床診断の第一線である。 我々は,GBM内の異なる組織学的サブ領域の自動化,堅牢,正確な同定が,この疾患を大規模に理解する上で有効であると仮定した。 本研究では,6つの病理領域を4段階の深層学習で分類し,6つの領域にアノテートしたヘマトキシリン・エオシン(H\&E)染色GBM組織をデジタル化したBraTS-Path 2024チャレンジデータセットを用いて定量的に評価した。 我々は、このチャレンジで利用可能なトレーニングデータセットを使用して、いくつかのEfficientNetアーキテクチャ(B0、B1、B2、B3、B4)の有効性を開発し、評価した。 EfficientNet-B1とEfficientNet-B4は、BraTS-Pathトレーニングセットを使用して5倍のクロスバリデーション構成でF1スコア0.98を達成した。 on the BraTS-Path hold-out validation data and the final hidden testing data yielded F1 scores 0.546 and 0.517, for the associated 6-class classification task。 トレーニング、バリデーション、テストデータのパフォーマンスの違いは、新しいデータをうまく一般化するモデルを開発することの難しさを浮き彫りにしている。 提案されたアプローチのソースコードは、インディアナ大学計算病理部GitHubリポジトリにある。

関連論文リスト

• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• Addressing High Class Imbalance in Multi-Class Diabetic Retinopathy Severity Grading with Augmentation and Transfer Learning [1.5939351525664014]
  本稿では,2型および5型糖尿病網膜症(DR)分類のための堅牢なディープラーニングフレームワークを提案する。 2値分類では, 99.9%の精度, 98.6%の精度, 99.3%のリコール, 98.9%のF1スコア, 99.4%のAUCが得られた。 より困難な5クラス重度分類タスクでは、84.6%の競合精度と94.1%のAUCが、いくつかの既存手法より優れている。
  論文  参考訳（メタデータ） (2025-07-23T01:52:27Z)
• MSWAL: 3D Multi-class Segmentation of Whole Abdominal Lesions Dataset [41.69818086021188]
  我々は,全腹部病変データセットの最初の3次元マルチクラスであるMSWALを紹介する。 MSWALは、胆石、腎臓石、肝腫瘍、腎臓腫瘍、膵癌、肝嚢胞、腎臓嚢胞など、様々な一般的な病変のカバー範囲を広げている。 Inception nnU-Netは、インセプションモジュールとnnU-Netアーキテクチャを効果的に統合し、異なるフィールドから情報を抽出する新しいセグメンテーションフレームワークである。
  論文  参考訳（メタデータ） (2025-03-17T06:31:25Z)
• Deep Learning Approach for Enhancing Oral Squamous Cell Carcinoma with LIME Explainable AI Technique [0.0]
  データセットは5192イメージ(2435ノーマルと2511 OSCC)で構成されている。 本研究では,ResNet101,DenseNet121,VGG16,EfficientnetB3の4つのディープラーニングアーキテクチャを選択した。 効率の良いNetB3は98.33%とF1スコア(0.9844)で最高であり、他のモデルと比べて計算能力は著しく低下した。
  論文  参考訳（メタデータ） (2024-11-21T14:53:59Z)
• Neural Network-Based Histologic Remission Prediction In Ulcerative Colitis [38.150634108667774]
  潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解 内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。 本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T15:54:14Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Efficient and Visualizable Convolutional Neural Networks for COVID-19 Classification Using Chest CT [0.0]
  新型コロナウイルスは2020年12月4日現在、世界中で6500万人以上が感染している。 ディープラーニングは有望な診断技術として登場した。 本稿では,40種類の畳み込みニューラルネットワークアーキテクチャを新型コロナウイルスの診断のために評価・比較する。
  論文  参考訳（メタデータ） (2020-12-22T07:09:48Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。