| عنوان مقاله به انگلیسی | BreastRegNet: A Deep Learning Framework for Registration of Breast Faxitron and Histopathology Images |
| عنوان مقاله به فارسی | BreastRegNet: یک چارچوب یادگیری عمیق برای ثبت نام فاکسیترون پستان و تصاویر هیستوپاتولوژی |
| نویسندگان | Negar Golestani, Aihui Wang, Gregory R Bean, Mirabela Rusu |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | A standard treatment protocol for breast cancer entails administering neoadjuvant therapy followed by surgical removal of the tumor and surrounding tissue. Pathologists typically rely on cabinet X-ray radiographs, known as Faxitron, to examine the excised breast tissue and diagnose the extent of residual disease. However, accurately determining the location, size, and focality of residual cancer can be challenging, and incorrect assessments can lead to clinical consequences. The utilization of automated methods can improve the histopathology process, allowing pathologists to choose regions for sampling more effectively and precisely. Despite the recognized necessity, there are currently no such methods available. Training such automated detection models require accurate ground truth labels on ex-vivo radiology images, which can be acquired through registering Faxitron and histopathology images and mapping the extent of cancer from histopathology to x-ray images. This study introduces a deep learning-based image registration approach trained on mono-modal synthetic image pairs. The models were trained using data from 50 women who received neoadjuvant chemotherapy and underwent surgery. The results demonstrate that our method is faster and yields significantly lower average landmark error ($2.1\pm1.96$ mm) over the state-of-the-art iterative ($4.43\pm4.1$ mm) and deep learning ($4.02\pm3.15$ mm) approaches. Improved performance of our approach in integrating radiology and pathology information facilitates generating large datasets, which allows training models for more accurate breast cancer detection. |
| تعداد صفحات | 11 |
| چکیده به فارسی (ترجمه ماشینی) | یک پروتکل درمانی استاندارد برای سرطان پستان مستلزم تجویز درمان neadjuvant و پس از آن برداشتن جراحی تومور و بافت اطراف است.آسیب شناسان به طور معمول برای بررسی بافت پستان خارج شده و تشخیص میزان بیماری باقیمانده ، به رادیوگرافی اشعه ایکس ، معروف به فاکسیترون متکی هستند.با این حال ، تعیین دقیق مکان ، اندازه و کانونی سرطان باقیمانده می تواند چالش برانگیز باشد و ارزیابی های نادرست می تواند منجر به عواقب بالینی شود.استفاده از روشهای خودکار می تواند روند هیستوپاتولوژی را بهبود بخشد و به آسیب شناسان این امکان را می دهد تا مناطقی را برای نمونه برداری به طور مؤثرتر و دقیق تر انتخاب کنند.با وجود ضرورت شناخته شده ، در حال حاضر چنین روش هایی در دسترس نیست.آموزش چنین مدلهای تشخیص خودکار نیاز به برچسب های حقیقت زمین دقیق بر روی تصاویر رادیولوژی سابق Vivo ، که می توانند از طریق ثبت نام های فاکسیترون و هیستوپاتولوژی و نقشه برداری از میزان سرطان از هیستوپاتولوژی تا تصاویر اشعه ایکس به دست بیایند.این مطالعه یک رویکرد ثبت نام تصویر مبتنی بر یادگیری عمیق را که روی جفت های تصویر مصنوعی مونو میانه آموزش دیده است ، معرفی می کند.این مدل ها با استفاده از داده های 50 زن که شیمی درمانی جدید و تحت عمل جراحی دریافت کرده بودند ، آموزش دیدند.نتایج نشان می دهد که روش ما سریعتر است و به طور قابل توجهی خطای میانگین علامت گذاری (2.1 $ \ PM1.96 $ میلی متر) نسبت به پیشرفته ترین تکراری (4.43 $ \ PM4.1 $ میلی متر) و یادگیری عمیق (4.02 $ \ PM3 $ \ PM3 است..15 $ mm) رویکرد.عملکرد بهبود یافته رویکرد ما در ادغام رادیولوژی و اطلاعات آسیب شناسی ، تولید مجموعه داده های بزرگ را تسهیل می کند ، که به مدلهای آموزش برای تشخیص دقیق تر سرطان پستان امکان می دهد. |
| دسته بندی موضوعات | Image and Video Processing,Computer Vision and Pattern Recognition,Machine Learning,پردازش تصویر و فیلم ، دید رایانه و تشخیص الگوی ، یادگیری ماشین ، |
| توضیحات | Submitted 18 January, 2024; originally announced January 2024. |
| توضیحات به فارسی | ارائه شده در 18 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد. |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|
نقد و بررسیها
هنوز بررسیای ثبت نشده است.