A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology

要約

病理学者は、スライド ガラス上の針生検からの組織を調べることにより、前立腺癌を診断し、等級付けします。
がんの重症度と転移のリスクは、前立腺がん腺の組織と形態に基づくスコアであるグリーソン グレードによって決定されます。
病理学者は、診断のための精査のために、まず生検のコア全体で腺を見つけ、癌を検出した場合、グリーソングレードを割り当てます。
この時間のかかるプロセスは、厳密な診断基準にもかかわらず、エラーと観察者間の重大な変動の影響を受けます。
この論文では、病理学者の \textit{modus operandi} に従う自動化されたワークフローを提案し、生検組織のスライド全体の画像 (WSI) で個々の腺のマルチスケール パッチを分離および分類します。
それぞれ間質と腺の境界に対して。
(2) 分類器ネットワークは、高倍率で癌腺から良性を分離します。
(3) 追加の分類子は、低倍率で各がん腺のグレードを予測します。
全体として、このプロセスは、他の機械学習ベースのグレーディング方法と比較する、前立腺がんのグレーディングのための腺固有のアプローチを提供します。

要約(オリジナル)

Pathologists diagnose and grade prostate cancer by examining tissue from needle biopsies on glass slides. The cancer’s severity and risk of metastasis are determined by the Gleason grade, a score based on the organization and morphology of prostate cancer glands. For diagnostic work-up, pathologists first locate glands in the whole biopsy core, and — if they detect cancer — they assign a Gleason grade. This time-consuming process is subject to errors and significant inter-observer variability, despite strict diagnostic criteria. This paper proposes an automated workflow that follows pathologists’ \textit{modus operandi}, isolating and classifying multi-scale patches of individual glands in whole slide images (WSI) of biopsy tissues using distinct steps: (1) two fully convolutional networks segment epithelium versus stroma and gland boundaries, respectively; (2) a classifier network separates benign from cancer glands at high magnification; and (3) an additional classifier predicts the grade of each cancer gland at low magnification. Altogether, this process provides a gland-specific approach for prostate cancer grading that we compare against other machine-learning-based grading methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google