文献

J-GLOBAL ID：202002244508742489   整理番号：20A2139153

低拡大病理学領域画像上の深層ニューラルネットワーク性能のパイロットベンチマーク研究【JST・京大機械翻訳】

A Pilot Benchmarking Study of Deep Neural Network Performance on Low Magnification Pathology Region-of-Interest Images

著者 (3件)： Pondoc Christopher (Frederick National Lab for Cancer Research, USA) ,  Plisov Alexander (Frederick National Lab for Cancer Research, USA) ,  Liu Yanling (Frederick National Lab for Cancer Research, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： PEARC ’20  ページ： 349-357  発行年： 2020年 
JST資料番号： D0698C  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)

抄録/ポイント： 深層ニューラルネットワーク(DNN)は,HematoxylinおよびEosin染色(H&E)組織学画像に関する多くの画像分類および認識タスクにおいて,優れた全体的性能を成功裏に実証した。報告された研究は,通常,高品質(20xまたは40x)全スライド画像(WSIs)を利用して,最適性能を提供する。しかし,実際のシナリオにおける関心(ROI)組織学画像のより低い品質領域に対して,よくDNNがどのように実行できるかは不明のままである。NCI患者検索モデルリポジトリ(PDMR)データベースは,全60の癌モデルにわたって組織学画像の低倍率(4x)ROIのカタログをホストし,実際のシナリオにおけるDNNs性能を評価する理想的な試験事例を提供した。5つの事前訓練モデルを用いて,著者らは,一般的なDNN分類器の選択されたセットに関して,NCI PDMRデータベースROIをベンチマークした。全体として,2元癌対肉腫分類試験に関して,著者らのパッチベースモデルを用いて,4xROIで4xROIsで89.57%の精度に達し,4xROIで84.18%の精度を達成した。マルチクラス癌分類テストでは,著者らのパッチベースモデルを用いた4xROI上で,ダウンサイジングモデルおよび78.07%トップ-2精度を用いて,4xROI上で72.06%のトップ-2精度を達成した。病理学者精度が85%[26][27]のまわりで,著者らのモデルは性能において同等であった。そのような精度により,著者らは,開発途上国および農村地域において,重要な遠隔-病理学的タスクを実行するために,著者らのDNNを活用でき,科学者が,フィールド上の迅速なスクリーニングのために,携帯電話の画像と,電池を電力を動かす小型コンピュータに画像を供給することを可能にした。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 電池 ,  データベース ,  電力 ,  肉腫 ,  スライド ,  染色 ,  発展途上国 ,  農業地区 ,  *ベンチマーク ,  コンピュータ ,  携帯電話 ,  機械学習 ,  ダウンサイジング
準シソーラス用語： 画像分類 ,  *ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： 組織学 ,  画像分類 ,  K-Fold交差検証 ,  機械学習 ,  染色の標準化 ,  転移学習

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (6件)： 拡大 ,  病理学 ,  深層ニューラルネットワーク ,  パイロット ,  ベンチマーク ,  研究