すい組織像の深い学習に基づく核分類【Powered by NICT】

Chang Young Hwan; Thibault Guillaume; Madin Owen; Azimi Vahid; Meyers Cole; Johnson Brett; Link Jason; Margolin Adam; Gray Joe W.

文献

J-GLOBAL ID：201702244564667882 整理番号：17A1396499

すい組織像の深い学習に基づく核分類【Powered by NICT】

Deep learning based Nucleus Classification in pancreas histological images

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=17A1396499&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=17A1396499&from=J-GLOBAL&jstjournalNo=W2441A") }}

著者 (9件)： , , , , , , , ,
資料名：
巻： 2017 号： EMBC ページ： 672-675 発行年： 2017年
JST資料番号： W2441A 資料種別：会議録 (C)
記事区分：原著論文発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

腫瘍試料は,健康な細胞と同様に癌細胞の多様性を含み,この不均一性は,各種の癌治療に対する抵抗性の基礎となる。しかしこの問題は最近まで徹底的に研究されていない。一方,イメージングにおける技術的ブレークスルーは多数の試料からの分子および細胞プロファイリングデータの爆発をもたらし,深層学習を含む最新機械学習法は隠れた構造を見出すことにより有望な結果を生成し,正確な予測を行うことが示されている。本論文では,対病理組織・免疫蛍光画像(ラベル)を用いた深い学習に基づく核分類(DeepNC)手法を提案し,その分類予測力を実証した。この方法は組織学的評価を改善することによりゲノムまたはトランスクリプトミクスに基くと病理ベース腫瘍純度推定値間の不一致に関する現在の問題を解くことができる。も巨大なデータセットのための深層学習モデルを訓練における課題を説明した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

腫ようの化学・生化学・病理学 , 人工知能 , 分子・遺伝情報処理

, , , ,

前のページに戻る