論文の概要: Radiomics-Integrated Deep Learning with Hierarchical Loss for Osteosarcoma Histology Classification

• arxiv url: http://arxiv.org/abs/2601.09416v1
• Date: Wed, 14 Jan 2026 12:09:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.390058
• Title: Radiomics-Integrated Deep Learning with Hierarchical Loss for Osteosarcoma Histology Classification
• Title（参考訳）: 骨肉腫の組織分類における階層的損失を用いた放射線統合深層学習
• Authors: Yaxi Chen, Zi Ye, Shaheer U. Saeed, Oliver Yu, Simin Ni, Jie Huang, Yipeng Hu,
• Abstract要約: 本研究は、モデルトレーニングにおける追加入力として放射能特徴を用いることを提案する。 画像から導出されているにもかかわらず、そのようなマルチモーダル入力は分類性能を効果的に向上させることを示した。 このような階層的な損失は、2つのタスク間のトレーニング可能な重み付けにより、クラスごとのパフォーマンスを大幅に改善できることが示される。
• 参考スコア（独自算出の注目度）: 5.385285416226677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Osteosarcoma (OS) is an aggressive primary bone malignancy. Accurate histopathological assessment of viable versus non-viable tumor regions after neoadjuvant chemotherapy is critical for prognosis and treatment planning, yet manual evaluation remains labor-intensive, subjective, and prone to inter-observer variability. Recent advances in digital pathology have enabled automated necrosis quantification. Evaluating on test data, independently sampled on patient-level, revealed that the deep learning model performance dropped significantly from the tile-level generalization ability reported in previous studies. First, this work proposes the use of radiomic features as additional input in model training. We show that, despite that they are derived from the images, such a multimodal input effectively improved the classification performance, in addition to its added benefits in interpretability. Second, this work proposes to optimize two binary classification tasks with hierarchical classes (i.e. tumor-vs-non-tumor and viable-vs-non-viable), as opposed to the alternative ``flat'' three-class classification task (i.e. non-tumor, non-viable tumor, viable tumor), thereby enabling a hierarchical loss. We show that such a hierarchical loss, with trainable weightings between the two tasks, the per-class performance can be improved significantly. Using the TCIA OS Tumor Assessment dataset, we experimentally demonstrate the benefits from each of the proposed new approaches and their combination, setting a what we consider new state-of-the-art performance on this open dataset for this application. Code and trained models: https://github.com/YaxiiC/RadiomicsOS.git.
• Abstract（参考訳）: 骨肉腫(OS)は原発性骨悪性腫瘍である。 新アジュバント化学療法が予後, 治療計画に重要であるが, 手動による評価は労働集約的であり, 主観的であり, サーバ間変動が困難である。 デジタル病理の最近の進歩により、自動壊死定量化が可能になった。 患者レベルで個別に採取したテストデータから, 先行研究で報告されたタイルレベルの一般化能力から, ディープラーニングモデルの性能が著しく低下したことが明らかとなった。 まず、モデルトレーニングにおける追加入力として放射能特徴を用いることを提案する。 画像から導出されているにもかかわらず、そのようなマルチモーダル入力は、解釈可能性の付加的な利点に加えて、分類性能を効果的に向上することを示した。 第2に, 階層型クラス(腫瘍-vs-非腫瘍と実行可能-vs-非腫瘍) の2つのバイナリ分類タスクを, 代替の `flat' の3種類の分類タスク(非腫瘍, 非生存性腫瘍, 生存性腫瘍)とは対照的に最適化することを提案する。 このような階層的な損失は、2つのタスク間のトレーニング可能な重み付けにより、クラスごとのパフォーマンスを大幅に改善できることが示される。 TCIA OS腫瘍評価データセットを用いて、提案された新しいアプローチとそれらの組み合わせの利点を実験的に実証し、このアプリケーションのオープンデータセットにおける新しい最先端のパフォーマンスについて検討する。 コードとトレーニングされたモデル:https://github.com/YaxiiC/RadiomicsOS.git。

関連論文リスト

• Foundation Models in Dermatopathology: Skin Tissue Classification [0.05397680436511065]
  本研究では,UNIとVirchhow2の2つの基礎モデルの性能を,全スライディング画像の分類のための特徴抽出器として評価する。 平均アグリゲーション戦略を用いて, パッチレベルの埋め込みをスライドレベルの特徴に集約した。 その結果、Virchow2を用いて抽出したパッチレベルの特徴は、ほとんどのスライドレベルの分類器でUNIを介して抽出した特徴よりも優れていた。
  論文  参考訳（メタデータ） (2025-10-24T17:21:43Z)
• Efficient Breast and Ovarian Cancer Classification via ViT-Based Preprocessing and Transfer Learning [0.7088460451473201]
  乳腺癌と卵巣癌を診断・分類するための新しい視覚変換器(ViT)を提案する。 プリトレーニングされたViT-Base-Patch16-224モデルを使用し、バイナリとマルチクラスの両方の分類タスクを微調整する。 我々のモデルは、既存のCNN、ViT、および2進分類におけるトポロジ的データ解析に基づくアプローチを超越している。
  論文  参考訳（メタデータ） (2025-09-23T02:25:44Z)
• Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
  虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。 本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
  論文  参考訳（メタデータ） (2024-05-01T23:40:12Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• 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)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
  最も一般的な悪性骨腫瘍は骨肉腫である。 CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。 CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
  論文  参考訳（メタデータ） (2020-11-02T18:16:17Z)
• Deep Interactive Learning: An Efficient Labeling Approach for Deep Learning-Based Osteosarcoma Treatment Response Assessment [1.5551044212347103]
  畳み込みニューラルネットワーク(CNN)は、骨肉腫スライド画像上の生存可能な腫瘍と壊死性腫瘍の自動分割に使用できる。 教師あり学習のボトルネックの1つは、トレーニングに大量の正確なアノテーションが必要であることである。 本稿では,ディープ・インタラクティブ・ラーニング(DIaL)をCNNの学習における効果的なラベリング手法として記述する。
  論文  参考訳（メタデータ） (2020-07-02T20:46:53Z)

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。