論文の概要: CRC-HGD: A Histopathological Image Dataset for Grading Colorectal Cancer
- arxiv url: http://arxiv.org/abs/2607.12750v1
- Date: Tue, 14 Jul 2026 13:18:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.154701
- Title: CRC-HGD: A Histopathological Image Dataset for Grading Colorectal Cancer
- Title（参考訳）: CRC-HGD : 大腸癌の病理組織像データセット
- Abstract要約: 大腸癌(CRC)は、世界で3番目に多いがんであり、世界で2番目に多いがん関連死亡の原因である。
大腸癌の予後と治療計画には, 正確な組織学的評価が重要な役割を担っている。
近年、機械学習やディープラーニングを含む人工知能とそのサブカテゴリは、自動がん検出と分類にますます採用されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Colorectal cancer (CRC) is the third most common cancer worldwide and the second leading cause of cancer-related deaths globally, with approximately 1,926,425 new cases and 904,019 deaths reported in 2022. Accurate histologic grading plays a critical role in prognosis and treatment planning for colorectal adenocarcinoma. In recent years, artificial intelligence and its subcategories, including machine learning and deep learning, have been increasingly employed for automated cancer detection and classification. An appropriate and well-organized dataset is the essential first step to achieve this goal. This paper introduces CRC-HGD, a histopathological microscopy image dataset of 1,914 images obtained from 214 colorectal adenocarcinoma patients (Grade I: 106, Grade II: 75, Grade III: 33). The specimens are H&E-stained colorectal tissue sections acquired at the Poursina Hakim Research Center of Isfahan University of Medical Sciences, Iran, diagnosed between 2014 and 2019, and graded according to the World Health Organization (WHO) criteria into three grades: well-differentiated (Grade I), moderately differentiated (Grade II), and poorly differentiated (Grade III). For each specimen, four magnification levels are provided: 4x, 10x, 20x, and 40x. The dataset is accessible via Mendeley Data (https://doi.org/10.17632/yfp5sfj47m.4) and at http://databiox.com, where the latest version is also available. The distinctive feature of this dataset is the provision of labeled specimens across all three differentiation grades at multiple magnification levels, enabling comprehensive computational analysis of colorectal cancer grading.
- Abstract（参考訳）: 大腸癌(CRC)は世界で3番目に多いがんであり、2022年には約1,926,425人、904,019人が死亡した。
大腸癌の予後と治療計画には, 正確な組織学的評価が重要な役割を担っている。
近年、機械学習やディープラーニングを含む人工知能とそのサブカテゴリは、自動がん検出と分類にますます採用されている。
適切に整理されたデータセットが、この目標を達成するための重要な第一歩です。
CRC-HGDは,大腸腺癌214例(グレードI:106,グレードII:75,グレードIII:33)から得られた1,914枚の画像からなる病理組織学的画像データセットである。
標本はイランのイスファハン医科大学プルシナ・ハキム研究センターで取得され、2014年から2019年にかけて診断され、世界保健機関(WHO)の基準により3つのグレード(グレードI)に分類される。
各標本には4つの倍率レベル(4倍、10倍、20倍、40倍)が設けられている。
データセットはMendley Data (https://doi.org/10.17632/yfp5sfj47m.4) および http://databiox.com からアクセスでき、最新バージョンも利用できる。
このデータセットの特徴は、3つの分化段階のラベル付き標本を複数の倍率レベルで提供し、大腸癌のグレーディングの総合的な計算分析を可能にすることである。
関連論文リスト
- Semi-Supervised Learning-Based Genetic Biomarkers Dataset for Multiple-Stage Hepatocellular Carcinoma Prediction [2.2251452674183922]
肝がんの最も一般的な形態は癌(HCC)であり、肝臓がんの90%以上を占める。
ゲノムデータを利用したHCCデータセットが公開されていないことは明らかである。
本研究では,XGBoost と Semi-Supervised を用いた多段階 HCC データセットの構築について提案する。
論文 参考訳（メタデータ） (2026-09-15T12:33:12Z) - A Pathology Foundation Model for Gastric Cancer with Real-World Validation [47.19073124722865]
本稿では,実世界評価と臨床dEcision支援のための,胃科固有の基礎モデルであるGRACEについて述べる。
GRACEは, 症例37,493例のHE-stained whole-slide画像を中心に, 48,364例の多施設で開発された。
高齢の病理医に非劣性パフォーマンスを維持するように調整された場合、AI支援のワークフローは萎縮の60.7%、腸転移の82.7%をトリアージする可能性がある。
論文 参考訳（メタデータ） (2026-06-03T12:18:06Z) - Colorectal Cancer Tumor Grade Segmentation in Digital Histopathology Images: From Giga to Mini Challenge [12.259796670328015]
大腸癌(CRC)は、世界で3番目に診断されたがんであり、がん関連死亡の原因としては2番目に多い。
ICIP Grand Challenge on Colorectal Cancer tumor Grading を組織した。
データセットは、5つの組織クラスに対して、専門家のピクセルレベルのアノテーションを備えた103枚の全スライド画像で構成されている。
論文 参考訳（メタデータ） (2025-07-07T05:59:16Z) - CXR-LT 2024: A MICCAI challenge on long-tailed, multi-label, and zero-shot disease classification from chest X-ray [64.2434525370243]
CXR-LTシリーズは、胸部X線を用いた肺疾患の分類を強化するために設計されたコミュニティ主導のイニシアチブである。
CXR-LT 2024はデータセットを377,110の胸部X線(CXR)と45の疾患ラベルに拡張し、19の新しい稀な疾患の発見を含んでいる。
本稿では、CXR-LT 2024の概要を述べるとともに、データキュレーションプロセスの詳細と最先端ソリューションの統合について述べる。
論文 参考訳（メタデータ） (2025-06-09T17:53:31Z) - Leveraging Sparse Annotations for Leukemia Diagnosis on the Large Leukemia Dataset [44.948939549346676]
白血病は世界で10番目に頻繁に診断されるがんであり、がん関連死亡の原因の1つとなっている。
医学画像の深層学習の進歩にもかかわらず、白血病解析には多種多様なマルチタスクデータセットが欠けている。
大規模WBCデータセットと,その属性を用いてWBCを検出する新しい手法を提案する。
論文 参考訳（メタデータ） (2025-04-03T14:04:02Z) - MRANet: A Modified Residual Attention Networks for Lung and Colon Cancer Classification [0.0]
肺癌と大腸癌は、がんの死亡率に大きく寄与する。
異なる画像検出に画像技術を活用することで、学習モデルは癌分類の自動化において有望であることが示されている。
改良された注意ネットワークアーキテクチャに基づく新しいアプローチを提案する。
提案モデルの精度は99.30%,96.63%,97.56%であった。
論文 参考訳（メタデータ） (2024-12-23T16:31:45Z) - A Knowledge-enhanced Pathology Vision-language Foundation Model for Cancer Diagnosis [58.85247337449624]
本稿では,疾患知識を階層型セマンティックグループ内のアライメントに組み込む知識強化型視覚言語事前学習手法を提案する。
KEEPはゼロショット癌診断タスクにおいて最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-12-17T17:45:21Z) - Automatic Organ and Pan-cancer Segmentation in Abdomen CT: the FLARE 2023 Challenge [15.649976310277099]
腹部CT検査における臓器・癌の分節化は,正確な癌診断と治療の必要条件である。
既存のベンチマークやアルゴリズムは、特定のがんタイプに合わせて調整されており、包括的ながん分析を提供する能力を制限する。
この研究は、大規模で多様なデータセットを提供することにより、腹部臓器と膵臓の分節に関する最初の国際コンペティションである。
論文 参考訳（メタデータ） (2024-08-22T16:38:45Z) - COVIDx CXR-3: A Large-Scale, Open-Source Benchmark Dataset of Chest
X-ray Images for Computer-Aided COVID-19 Diagnostics [69.55060769611916]
RT-PCR検査の補助的スクリーニング戦略としての胸部X線撮影(CXR)の利用が増加している。
CXRイメージングに基づく新型コロナウイルススクリーニングのための多くの視覚知覚モデルが提案されている。
我々は、COVID-19コンピュータビジョン研究を支援するために、CXR画像の大規模なベンチマークデータセットであるCOVIDx CXR-3を紹介する。
論文 参考訳（メタデータ） (2022-06-08T04:39:44Z) - Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。
本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文 参考訳（メタデータ） (2020-11-22T17:31:23Z) - Hierarchical Deep Learning Ensemble to Automate the Classification of
Breast Cancer Pathology Reports by ICD-O Topography [0.0]
本稿では,2201の病理報告の自動ラベリングに,アート畳み込みニューラルネットワークモデルの状態を取り入れた階層型深層学習アンサンブル法を提案する。
その結果,F1マイクロは14%以上,F1マクロスコアは55%以上であった。
論文 参考訳（メタデータ） (2020-08-28T10:29:56Z) - 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。