論文の概要: A Digital Pathology Resource for Liver Cancer Quantification with Datasets, Benchmarks, and Tools

• arxiv url: http://arxiv.org/abs/2604.22858v1
• Date: Wed, 22 Apr 2026 14:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.001887
• Title: A Digital Pathology Resource for Liver Cancer Quantification with Datasets, Benchmarks, and Tools
• Title（参考訳）: データセット・ベンチマーク・ツールを用いた肝癌定量化のためのデジタル病理資源
• Authors: Ying Xiao, Shimiao Tang, Xitong Ling, Weiming Chen, Jun Wang, Jiawen Li, Huaitian Yuan, Jianghui Yang, Bowen Li, Huan Li, Yiting Meng, Tian Guan, Yonghong He, Hongfang Yin,
• Abstract要約: 肝癌に対するパッチレベルの画像データベースであるHepatoBenchを7つの主要組織カテゴリにアノテーションでリリースした。 HepatoBenchに基づいて、組織認識ツールとしてディープラーニング分類モデルをトレーニングし、オープンソース化する。 We build HepatoQuant, a end-to-end, disease-specific Regional Quantification tools for liver cancer。
• 参考スコア（独自算出の注目度）: 17.811013755898365
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Liver cancer, especially hepatocellular carcinoma (HCC), imposes a substantial global disease burden. Accurate diagnosis and prognostic assessment directly influence treatment selection and patient survival, and pathological examination remains the gold standard for liver cancer diagnosis. Identifying diverse tissue components and pathological subtypes on histopathology slides is crucial for estimating postoperative recurrence risk and overall prognosis. However, most publicly available resources are still provided at the whole-slide image (WSI) level, and well-annotated datasets for fine-grained tissue component identification in liver cancer are scarce, which hinders reproducible model development and the deployment of quantitative analysis tools. To address this gap, we release HepatoBench, a patch-level image database for liver cancer with annotations for seven key tissue categories. Based on HepatoBench, we train and open-source a deep learning classification model as a tissue recognition tool. Furthermore, we train a WSI-level tumor/non-tumor segmentation model to automatically localize lesion regions across entire slides. By integrating the patch-level tissue classifier with the WSI-level segmentation model, we build HepatoQuant, an end-to-end, disease-specific regional quantification tool for liver cancer, enabling a unified workflow from WSIs to tissue composition parsing and quantitative statistics. We also open-source HepatoBench, the benchmarking protocol, and supporting tools, providing a solid foundation for automated regional quantification and fair method comparison in liver cancer pathology.
• Abstract（参考訳）: 肝癌、特に肝細胞癌(HCC)は、世界的な疾病の重荷を負う。 正確な診断と予後評価は治療選択と患者生存に直接影響を及ぼし,病理検査は肝癌診断のゴールドスタンダードのままである。 病理組織学的スライスにおける組織成分および病理学的サブタイプ同定は術後再発リスクと全体的な予後を推定するために重要である。 しかしながら、ほとんどの公開リソースは、依然として全スライディング画像(WSI)レベルで提供されており、肝臓がんにおける微細組織成分の同定のための十分な注釈付きデータセットは乏しく、再現可能なモデル開発や定量的解析ツールの展開を妨げる。 このギャップに対処するため,肝癌用のパッチレベルの画像データベースであるHepatoBenchを7つの重要な組織カテゴリのアノテーションでリリースした。 HepatoBenchに基づいて、組織認識ツールとしてディープラーニング分類モデルをトレーニングし、オープンソース化する。 さらに,WSIレベルの腫瘍/非腫瘍セグメンテーションモデルをトレーニングし,スライド全体にわたって病変領域を自動的に局在させる。 パッチレベルの組織分類器をWSIレベルのセグメンテーションモデルと組み合わせることで、肝がんのエンドツーエンドで疾患特異的な領域定量化ツールであるHepatoQuantを構築し、WSIから組織組成解析、定量的統計までの統合ワークフローを可能にする。 我々はまた、ベンチマークプロトコルであるHepatoBenchをオープンソースとして公開し、肝癌病理における局所的自動定量化と公正な方法比較のための確かな基盤を提供する。

関連論文リスト

• PathOrchestra: A Comprehensive Foundation Model for Computational Pathology with Over 100 Diverse Clinical-Grade Tasks [39.97710183184273]
  本稿では,300Kの病理スライドからなるデータセット上で,自己教師型学習を通じて学習した多種多様な病理基盤モデルPathOrchestraを提案する。 このモデルは、61のプライベートデータセットと51のパブリックデータセットを組み合わせて、112の臨床的タスクで厳格に評価された。 PathOrchestraは27,755のWSIと9,415,729のROIで例外的なパフォーマンスを示し、47のタスクで0.950以上の精度を達成した。
  論文  参考訳（メタデータ） (2025-03-31T17:28:02Z)
• Towards a Comprehensive Benchmark for Pathological Lymph Node Metastasis in Breast Cancer Sections [21.75452517154339]
  我々は1,399枚のスライド画像(WSI)と、Camelyon-16とCamelyon-17データセットのラベルを再処理した。 再発腫瘍領域の大きさから,2重複癌検診を4段階に改善した。
  論文  参考訳（メタデータ） (2024-11-16T09:19:24Z)
• SmoothSegNet: A Global-Local Framework for Liver Tumor Segmentation with Clinical KnowledgeInformed Label Smoothing [17.798774864007505]
  肝がんは世界中で死亡率の高い原因である。 正確な肝腫瘍の分節は、腫瘍の異種性のため、依然として困難である。 SmoothSegNetは、これらの課題に3つの重要な設計で対処する、新しいディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2024-10-13T20:52:25Z)
• Meta-information-aware Dual-path Transformer for Differential Diagnosis of Multi-type Pancreatic Lesions in Multi-phase CT [41.199716328468895]
  膵病変の分類と分節の可能性を活用するために, デュアルパストランスフォーマーを開発した。 提案手法は, CNN-based segmentation path (S-path) と Transformer-based classification path (C-path) から構成される。 以上の結果から,膵病変の完全分類の正確な分類と分類が可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-02T03:34:28Z)
• Detecting Histologic & Clinical Glioblastoma Patterns of Prognostic Relevance [6.281092892485014]
  グリオ芽腫は中枢神経系で最も一般的で攻撃的な悪性成人腫瘍である。 18年前に現在の標準治療を採用して以降,実質的な予後改善は認められていない。 ここでは,H&E染色WSIとOSに関する臨床データから,予後関連特性の同定に焦点をあてる。
  論文  参考訳（メタデータ） (2023-02-01T18:56:09Z)
• A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
  病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。 がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。 本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-09-27T14:08:19Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• A Precision Diagnostic Framework of Renal Cell Carcinoma on Whole-Slide Images using Deep Learning [4.823436898659051]
  深層畳み込みニューラルネットワーク(InceptionV3)は、The Cancer Genome Atlasの高品質な注釈付きデータセットに基づいて訓練された。 我々の枠組みは、がん領域の検出や、どのがんタイプにも適用可能なサブタイプやグレードの分類において、病理学者に役立てることができる。
  論文  参考訳（メタデータ） (2021-10-26T12:53:25Z)
• Hierarchical Classification of Pulmonary Lesions: A Large-Scale Radio-Pathomics Study [38.78350161086617]
  CTによる肺病変の診断は重要であるが,肺癌関連疾患の臨床的判断には困難である。 深層学習は肺がんに対するコンピュータ支援診断 (CADx) 領域において大きな成功を収めているが, 放射線診断の困難さからラベルの曖昧さに悩まされている。 本研究は, 侵襲的病理解析が肺がん診断の黄金基準となっていることを考慮し, 大規模放射線病的データセットを用いてラベルあいまいさを解消する。 この振り返りデータセットはPentral-RadPathと呼ばれ、高精度なディープラーニングシステムの開発と検証により、非侵襲的な病理組織ラベルを予測できる。
  論文  参考訳（メタデータ） (2020-10-08T15:14:34Z)
• 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。