Automated image analysis of nuclear atypia in high‐power field histopathological image
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AIMS: We developed a computer-aided technique to study nuclear atypia classification in high-power field haematoxylin and eosin stained images. METHODS AND RESULTS: An automated technique for nuclear atypia score (NAS) calculation is proposed. The proposed technique uses sophisticated digital image analysis and machine-learning methods to measure the NAS for haematoxylin and eosin stained images. The proposed technique first segments all nuclei regions. A set of morphology and texture features is extracted from presegmented nuclei regions. The histogram of each feature is then calculated to characterize the statistical information of the nuclei. Finally, a support vector machine classifier is applied to classify a high-power field image into different nuclear atypia classes. A set of 1188 digital images was analysed in the experiment. We successfully differentiated the high-power field image with NAS1 versus non-NAS1, NAS2 versus non-NAS2 and NAS3 versus non-NAS3, with area under receiver-operating characteristic curve of 0.90, 0.86 and 0.87, respectively. In three classes evaluation, the average classification accuracy was 78.79%. We found that texture-based feature provides best performance for the classification. CONCLUSION: The automated technique is able to quantify statistical features that may be difficult to be measured by human and demonstrates the future potentials of automated image analysis technique in histopathology analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle