論文の概要: Semantic Segmentation-Driven Image-Level Diagnosis of Liver Cancers in Hematoxylin and Eosin Histopathology Images

• arxiv url: http://arxiv.org/abs/2607.03253v1
• Date: Fri, 03 Jul 2026 12:12:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.566522
• Title: Semantic Segmentation-Driven Image-Level Diagnosis of Liver Cancers in Hematoxylin and Eosin Histopathology Images
• Title（参考訳）: 肝癌におけるセマンティックセグメンテーション駆動画像レベル診断 : ヘマトキシリンおよびエオシン組織像を用いて
• Abstract要約: 画像レベル診断のためのセグメンテーションに基づくフレームワークを提案する。 セグメンテーション出力に支配画素レベルのラベルのクラスを割り当てることで、画像レベルの予測を得る。 5倍のクロスバリデーションにより, 0.975(HCC), 0.950(CCA), 1.000(CMA)のバランス精度が得られた。
• 参考スコア（独自算出の注目度）: 2.4629531282150876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As hematoxylin & eosin (H&E) staining constitutes the primary entry point in routine diagnostic workflows, computer-aided diagnosis from whole-slide H&E images is of particular clinical relevance. However, substantial variability in specimen preparation, staining protocols, and scanning conditions, together with inherent uncertainty in expert pixel-level annotations, makes automated analysis of H&E-stained images challenging. In this study, we propose a semantic segmentation-based framework for image-level diagnosis, grounded in the clinically motivated assumption that each histopathological image corresponds to a single cancer type. Image-level predictions are obtained by assigning the class of the dominant pixel-level label in the segmentation output. To ensure clinical relevance, we adopt the nnU-Net architecture and train it on a publicly available dataset collected in our study with pixel-level annotations for three liver cancer types: hepatocellular cacrcinoma (HCC; 55 images from 30 patients), cholangiocellular carcinoma (CCA; 55 images from 29 patients), and colorectal metastatic adenocarcinoma (CMA; 60 images from 30 patients). Annotations were independently provided by four pathologist. We hypothesize that the combination of stain normalization and semantic segmentation mitigates domain shift and reduces sensitivity to annotation noise. Five-fold cross-validation yielded balanced accuracy of 0.975 (HCC), 0.950 (CCA), and 1.000 (CMA), comparable to results obtained with immunohosthochemical staining and superior to several deep learning models trained on patch-level annotations. The proposed framework has the potential to support pathologists in prioritizing immunohistochemical marker selection, thereby reducing diagnostic costs and turnaround time. Integration with immunohistochemical findings improve overall diagnostic reliability.
• Abstract（参考訳）: ヘマトキシリンおよびエオシン(H&E)染色は、日常的な診断ワークフローにおける主要なエントリポイントであり、全スライディングH&E画像からのコンピュータ支援診断は、特に臨床関連性が高い。 しかし, 検体作成, 染色プロトコル, 走査条件のばらつきは, 専門家の画素レベルのアノテーションに固有の不確実性とともに, H&E画像の自動解析を困難にしている。 本研究では,各病理像が1つのがんタイプに対応するという臨床的動機付けの前提として,画像レベルの診断のための意味的セグメンテーションに基づく枠組みを提案する。 セグメンテーション出力に支配画素レベルのラベルのクラスを割り当てることで、画像レベルの予測を得る。 肝細胞癌(HCC,30例55画像),胆管細胞癌(CCA,29例55画像),大腸癌性腺癌(CMA,30例60画像)の3種類の肝癌に対して,本研究で収集したピクセルレベルのアノテーションを用いて,nnU-Netアーキテクチャをトレーニングした。 アノテーションは4人の病理学者によって独立して提供された。 染色正規化とセマンティックセグメンテーションの組み合わせはドメインシフトを緩和し、アノテーションノイズに対する感度を低下させるという仮説を立てる。 5倍のクロスバリデーションは0.975(HCC)、0.950(CCA)、および1.000(CMA)のバランス精度を得た。 提案フレームワークは、免疫組織化学的マーカー選択の優先順位付けにおいて病理学者を支援する可能性があり、診断コストとターンアラウンドタイムを低減できる。 免疫組織化学的所見の統合により、全体的な診断信頼性が向上する。

関連論文リスト

• Histopathological Spectrum-Guided Prostate Stratification via Segmentation-Assisted Diagnostic Transformer [29.021037203684227]
  前立腺癌の病理組織学的スペクトルデータセット(PCa-HSD)を構築する。 本研究は,前立腺癌と診断し易い良性病変の表現不足に対処し,臨床的に有意義な4クラス分類課題を定式化する。 提案法は,344例のコホートを用いた5倍のクロスバリデーションにおいて,背骨平均精度0.633,ジョイントリコール0.768を連続的に改善する。
  論文  参考訳（メタデータ） (2026-07-19T10:03:47Z)
• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• A Classification-Based Adaptive Segmentation Pipeline: Feasibility Study Using Polycystic Liver Disease and Metastases from Colorectal Cancer CT Images [0.261201916989931]
  本研究の目的は,効率的なセグメンテーションモデル構築のためのワークフロー構築の可能性を検討することである。 画像を自動的に分類し、適切なセグメンテーションモデルにルーティングするディープラーニングモデルを実装することで、ワークフローが画像に異なる病理を正確に分割できることを期待する。
  論文  参考訳（メタデータ） (2024-05-02T18:05:37Z)
• Leveraging weak complementary labels to improve semantic segmentation of hepatocellular carcinoma and cholangiocarcinoma in H&E-stained slides [3.418658036508099]
  肝内胆管癌と肝内胆管癌との鑑別・定量化のための深層学習セグメンテーション手法を提案する。 本稿では, 患者診断の弱い情報を, サンプルがどのクラスに属さないかを示す補完ラベルを導出することによって活用することを提案する。
  論文  参考訳（メタデータ） (2023-02-03T15:35:54Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• 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)

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。