http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : SHAH MAHSOOM ALI (검색결과 1 건)
-
Gastric Cancer Diagnosis from Whole Slide Image using State of the Art Deep Learning Techniques
SHAH MAHSOOM ALI 인제대학교 일반대학원 2025 국내석사
위암(Stomach cancer), 또한 위암(Gastric cancer)으로 알려져 있으며, 위의 세포에서 발생하는 악성 종양입니다. 전 세계에서 다섯 번째로 흔 한 암이며, 암 관련 사망 원인으로는 세 번째로 높은 비율을 차지하고 있습니다. 이 질병은 주로 남성에게 영향을 미치며, 일반적으로 50세 이 상의 사람들에게 진단됩니다. 의료진은 질병을 진단하고 치료하는 데 전문화되어 있으며, 위암 성장 속도를 평가하고 환자의 암 치료 반응을 모니터링하기 위해 위암 분할 및 용적 측정을 사용합니다. 전통적인 시스템에서 암 조직을 수동으로 주석 처리하는 것은 시간이 많이 소요되고 노동 집약적일 수 있으며, 병리학자 부족이 문제로 제기 되고 있습니다. 이 절차를 자동화하기 위해 효율적이고 명확하며 정확한 기술이 필요합니다. 위암 진단에는 세 가지 측정 방법이 자주 사용됩니다: PD, PCC 및 WMD. 일반적으로 PD와 PCC는 그룹화되며, WMD는 별도로 고려됩니 다. 기계 학습과 첨단 딥러닝 기술은 위암 분류에 활용될 수 있습니다. 기계 학습에서는 전장 슬라이드 이미지(WSI)에서 추출할 수 있는 관심 영역(ROI) 주석 데이터를 사용했습니다. 또한 회색조 공존 행렬(GLCM) 분석과 ResNet, VGGNet, GoogleNet 기능 추출과 같은 기능 엔지니어링 기술도 사용했습니다. 우리는 GLCM 기능을 다른 추출된 기능과 연관시 키고, Manova를 사용하여 최상의 기능을 선택했습니다. 이 기술은 다소 오래되었지만, SVM, 랜덤 포레스트, 로지스틱 회귀, 의 사 결정 나무, 선형 판별 분석, 그래디언트 부스팅 분류기 및 가우시안 나이브 베이즈와 같은 기계 학습 알고리즘을 적용할 수 있습니다. 딥러닝에서는 전장 슬라이드 이미지(WSI)를 사용한 분할을 통해 ImageNet 데이터셋에서 사전 학습된 모델을 활용한 전이 학습과 같은 최신 기술을 사용할 수 있습니다. 여기에는 합성곱 신경망(CNN), ResNet, 다양한 VGGNet 아키텍처가 포함되며, 암 진단을 위한 분할 및 분류에 여러 딥러닝 아키텍처를 사용할 수 있습니다. 전이 학습 기법은 더 나은 결과를 도출할 수 있습니다. 우리는 암 진단을 위해 반지도 학습(Semi-Supervised Learning) 또는 자가 지도 학습(Self-Supervised Learning)으로 알려진 최신 다중 인스 턴스 학습(MIL)을 구현할 것입니다. MIL은 WSI를 패치로 변환하고 전 처리를 수행한 후 다양한 MIL 기술을 분류에 적용합니다. 이 첨단 기술 은 암 진단에서 유망한 결과를 보여주고 있습니다. Stomach cancer, also known as gastric cancer, is a malignant tumor that occurs in the cells of the stomach. It is the fifth most common cancer worldwide, and is the third leading cause of cancer-related death. The disease mainly affects men, and is typically diagnosed in people over the age of 50. Specializing in diagnosing and treating diseases, medical staff use gastric cancer segmentation and volumetric measurements to assess the growth rate of gastric cancer and monitor the patient's response to cancer treatment . Manual annotation of cancer tissues in conventional systems can be time consuming and labor-intensive, and pathologist shortages are a problem. Efficient, clear, and accurate techniques are required to automate this procedure. Three measurement methods are frequently used for gastric cancer diagnosis: PD, PCC, and WMD. Generally, PD and PCC are grouped, and WMD is considered separately. Machine learning and advanced deep learning techniques may be utilized for gastric cancer classification. In machine learning, we used annotated regions of interest (ROI) that can be extracted from whole slide images (WSI). We also used functional engineering techniques such as gray level co-occurrence matrix (GLCM) analysis and extraction of Resnet, VGG Net, and Google Net features. We associated GLCM features with other extracted features and then selected the best features using Manova. This technique is then quite old, although we apply machine learning algorithms such as SVM, random forest, logistic regression, decision tree, linear discriminant analysis, gradient boosting classifier, and Gaussian nnve Baise. In deep learning, state of the art techniques including convolutional neural networks (CNNs), ResNet, various VggNet architectures, and transfer learning using pre-trained models in ImageNet dataset segmentation using WSI can be used to diagnose cancer. Multiple deep learning architectures are available for segmentation and classification, and transfer learning techniques can yield better results. We will implement modern multi-instance learning (MIL), known as semi-supervised learning or self-supervised learning, which can be implemented for cancer diagnosis. MIL involves converting WSI into patches, performing preprocessing, and applying different MIL techniques for classification. This advanced technology has shown promising results for cancer diagnosis.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
