論文の概要: Extracting and analyzing 3D histomorphometric features related to perineural and lymphovascular invasion in prostate cancer

• arxiv url: http://arxiv.org/abs/2603.06936v1
• Date: Fri, 06 Mar 2026 23:10:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.413743
• Title: Extracting and analyzing 3D histomorphometric features related to perineural and lymphovascular invasion in prostate cancer
• Title（参考訳）: 前立腺癌における末梢およびリンパ血管浸潤に伴う3次元組織像の抽出と解析
• Authors: Sarah S. L. Chow, Rui Wang, Robert B. Serafin, Yujie Zhao, Elena Baraznenok, Xavier Farré, Jennifer Salguero-Lopez, Gan Gao, Huai-Ching Hsieh, Lawrence D. True, Priti Lal, Anant Madabhushi, Jonathan T. C. Liu,
• Abstract要約: 末梢神経浸潤(PNI)とリンパ血管浸潤(LVI)に関連する3D特徴を抽出するパイプラインを構築した。 前立腺摘出標本の3次元データセットに神経と血管を分節する3次元分節モデルを訓練した。 これらの特徴の予後に関する予備調査として,5年間の生化学的再発を予測するために,教師付き機械学習分類器を訓練した。
• 参考スコア（独自算出の注目度）: 4.622908917019955
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diagnostic grading of prostate cancer (PCa) relies on the examination of 2D histology sections. However, the limited sampling of specimens afforded by 2D histopathology, and ambiguities when viewing 2D cross-sections, can lead to suboptimal treatment decisions. Recent studies have shown that 3D histomorphometric analysis of glands and nuclei can improve PCa risk assessment compared to analogous 2D features. Here, we expand on these efforts by developing an analytical pipeline to extract 3D features related to perineural invasion (PNI) and lymphovascular invasion (LVI), which correlate with poor prognosis for a variety of cancers. A 3D segmentation model (nnU-Net) was trained to segment nerves and vessels in 3D datasets of archived prostatectomy specimens that were optically cleared, labeled with a fluorescent analog of H&E, and imaged with open-top light-sheet (OTLS) microscopy. PNI- and LVI-related features, including metrics describing cancer-nerve and cancer-vessel proximity, were then extracted based on the 3D nerve/vessel segmentation masks in conjunction with 3D masks of cancer-enriched regions. As a preliminary exploration of the prognostic value of these features, we trained a supervised machine learning classifier to predict 5-year biochemical recurrence (BCR) outcomes, finding that 3D PNI-related features are moderately prognostic and outperform 2D PNI-related features (AUC = 0.71 vs. 0.52). Source code is available at https://github.com/sarahrahsl/SegCIA.git.
• Abstract（参考訳）: 前立腺癌 (PCa) の診断成績は, 病理組織学的検討に依存する。 しかし,2次元病理組織学および2次元断面観察時の曖昧さによる標本の採取は,最適な治療決定につながる可能性がある。 近年の研究では、腺と核の3次元組織計測分析が、類似の2次元特徴と比較してPCaリスク評価を改善することが示されている。 そこで本研究では, 末梢神経浸潤(PNI)およびリンパ血管浸潤(LVI)に関連する3次元的特徴を抽出するための解析的パイプラインの開発により, これらの取り組みを拡大する。 3Dセグメンテーションモデル(nnU-Net)は、光学的にクリアされ、H&Eの蛍光アナログでラベル付けされ、オープントップ光シート(OTLS)顕微鏡で画像化された前立腺摘出標本の3Dデータセットに神経と血管を分割するよう訓練された。 PNIとLVIに関連する特徴は、がん神経とがん血管の近接性を示す指標を含むもので、がんに富んだ領域の3Dマスクと合わせて、3D神経/血管のセグメンテーションマスクに基づいて抽出された。 これらの特徴の予後に関する予備的な調査として、教師付き機械学習分類器を訓練し、5年間の生化学的再発(BCR)を予測し、3D PNI関連特徴が適度に予後が良く、2D PNI関連特徴(AUC = 0.71 vs. 0.52)より優れていることを発見した。 ソースコードはhttps://github.com/sarahrahsl/SegCIA.gitで入手できる。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Triage of 3D pathology data via 2.5D multiple-instance learning to guide pathologist assessments [7.735043623909641]
  本稿では,3次元生検において最もリスクの高い2Dスライスを自動的に識別する深層学習トリアージアプローチであるCARP3Dを提案する。 前立腺がんのリスク層化のために、CARP3Dは2Dセクションの独立解析に依存して、90.4%の曲線(AUC)の領域を達成している。
  論文  参考訳（メタデータ） (2024-06-11T08:42:07Z)
• 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)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Evaluating the Effectiveness of 2D and 3D Features for Predicting Tumor Response to Chemotherapy [0.9709939410473847]
  2Dと3Dの腫瘍の特徴は、様々な医療画像解析タスクで広く利用されている。 化学療法反応予測では, 異なる種類の2D特徴と3D特徴の相互効果は包括的に評価されない。
  論文  参考訳（メタデータ） (2023-03-28T16:44:43Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Detecting Scatteredly-Distributed, Small, andCritically Important Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
  本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。 我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。 局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
  論文  参考訳（メタデータ） (2020-05-27T23:12:11Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。