Cervicograms are widely used in cervical cancer screening but exhibit a high misdiagnosis rate. Even senior experts show only 48% specificity on clinical examinations. Most existing methods only use single-view images applied with acetic acid or Lugol’s iodine solution as their input data, ignoring the fact that non-pathological tissues may show false-positive reactions in these single-view images. This can lead to misdiagnosis in clinical diagnosis. Therefore, it is essential to extract features from multi-view colposcopy images (including the original images) as inputs, because three-view cervicograms provide complementary information. In this work, we propose an improved EfficientNet based on multi-view feature fusion for the automatic diagnosis of cervical squamous intraepithelial lesions. Specifically, EfficientNet-B0 is employed as the backbone network, and three-view images are taken as inputs by channel cascading to reduce misclassification. Additionally, we propose a dual-attention mechanism that implements the feature selection function based on Convolution Block Attention Module (CBAM) and Coordinate Attention (CA). These two attention mechanisms assist each other to enhance the feature representation of HSIL. We leverage a dataset of 3294 clinical cervigrams and obtain 90.0% accuracy with recall, specificity, and F1-Score of 87.1%, 93.0%, and 89.7%, respectively. Experimental results prove that this method can help clinicians with precise disease classification and diagnosis, and out-performs known related works.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
The mortality rate of cervical cancer is increasing alarmingly. Conventional cytological methods are not always efficient to diagnose cancer at an early stage. Several label-free, quantitative screening approaches are emerging rapidly for fast and accurate detection of cervical cancer. Differential interference contrast (DIC) imaging is one of such label-free methods for the detection of cellular abnormality. The combination of DIC imaging and prediction algorithm enables the development of an efficient computer-aided diagnosis (CAD) system for cervical cancer detection at an early stage. In the present study, the DIC dataset is categorized into 2-classes (abnormal and normal) and 3-classes (normal, pre-cancer, and squamous cell carcinoma). After segmentation of the cells using the modified valley-based Otsu’s thresholding method, three classifiers, namely support vector machine (SVM), multilayer perceptron (MLP), and k-nearest neighbour (k-NN) are applied. Further, to improve the classification performances, principal component analysis (PCA) is applied for feature selection. The experimental results reveal that the SVM classifier has the greatest accuracy of 0.97 (2-class classification) and 0.90 (3-class classification).
3
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
While automation-assisted reading system can improve efficiency, their performance often relies on the success of accurate cell segmentation and hand-craft feature extrac- tion. This paper presents an efficient and totally segmentation-free method for automat-ed cervical cell screening that utilizes modern object detector to directly detect cervical cells or clumps, without the design of specific hand-crafted feature. Specifically, we use the state-of-the-art CNN-based object detection methods, YOLOv3, as our baseline model. In order to improve the classification performance of hard examples which are four highly similar categories, we cascade an additional task-specific classifier. We also investigate the presence of unreliable annotations and coped with them by smoothing the distribu- tion of noisy labels. We comprehensively evaluate our methods on our test set which is consisted of 1014 annotated cervical cell images with size of 4000 3000 and complex cellular situation corresponding to 10 categories. Our model achieves 97.5% sensitivity (Sens) and 67.8% specificity (Spec) on cervical cell image-level screening. Moreover, we obtain a best mean average precision (mAP) of 63.4% on cervical cell-level diagnosis, and improve the average precision (AP) of hard examples which are the most valuable but most difficult to distinguish. Our automation-assisted cervical cell reading system not only achieves cervical cell image-level classification but also provides more detailed location and category reference information of abnormal cells. The results indicate feasible performance of our method, together with the efficiency and robustness, provid- ing a new idea for future development of computer-assisted reading systems in clinical cervical screening.
4
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Radioterapia w leczeniu raka szyjki macicy odgrywa bardzo dużą rolę. Jej zastosowanie oraz objęcie obszarem tarczowym napromienianych struktur zależy od zaawansowania choroby nowotworowej. Zastosowanie nowoczesnych technik planowania oraz weryfikacji ułożenia pacjenta pozwala na ograniczenie marginesu tkanek zdrowych i toksyczności całego leczenia radioterapeutycznego. Trzeba jednak brać pod uwagę wystąpienie czynników wpływających na dokładności przeprowadzonego leczenia. Takim czynnikiem jest też rotacja miednicy u kobiet. Występuje ona w sposób mimowolny, jak również trudny do wychwycenia na etapie planowania. Nierzadko powiązana ze stresem czy komfortem pozycji, w jakiej napromieniany jest pacjent. Tylko właściwa interpretacja oraz wczesne wychwycenie powyższej może wpłynąć na działania przygotowawcze. W artykule zaprezentowano różnice występujące zarówno w obszarach tarczowych, jak również narządach krytycznych w przypadku zrotowania kości miednicy.
EN
Radiation therapy in cervical cancer treatment is very important. The use of modern techniques of planning and verification of patient positioning reduces the margin of healthy tissue and thus the whole toxicity of radiotherapy treatment. However, one should take into account the occurrence factors affecting the accuracy of the treatment. Such factor is a rotating of pelvic bone in women. It occurs as involuntary as well as difficult to be recorded within the planning stage. It is often associated with stress as well as the position in which the patient is irradiated. Only the correct interpretation and the early capture of the above may affect our preparation actions. This article presents the differences both in the areas of PTV as well as critical organs in the situation when pelvic bones rotation occurs.
5
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Standardowe leczenie miejscowo zaawansowanego nowotworu szyjki macicy jest realizowane za pomocą chemioterapii, teleradioterapii (EBRT), brachyterapii (BT). W przypadku teleradioterapii (EBRT) rutynowo stosowane są techniki konformalne o różnym stopniu złożoności. W leczeniu BT planowanie rozkładu dawki i jej raportowanie nadal opiera się na punktach dawek określonych w 2D. Grupa robocza z GEC-ESTRO opublikowała zalecenia [1, 2] dotyczące konturowania obszarów tarczowych GTV (Gross Tumour Volume), HR-CTV (High Risk Volume), IR-CTV (Intermidiate Risk Volume) i narządów ryzyka OAR (odbytnica, esica, jelita, pęcherz), jak również parametrów dawki raportowanej do tych objętości (DVH – D2cc, D1cc, D0.1cc dla OAR; w przypadku wykonania konturów ścian OAR D5cc, D10cc; natomiast D50, D90, D100 i V100 dla targetów). Główną zaletą tej metody jest możliwość dostosowania dawki podanej w BT zarówno w odniesieniu do objętości (3D) i czasu (4D). Na podstawie danych obrazowych TK i MR – wykonywanych przed każdym założeniem BT – możliwe jest dostosowanie dawki do anatomii każdego indywidualnego pacjenta, biorąc pod uwagę nie tylko położenie OAR, ale także regresję guzów, w wyniku poprzedzającej teleradioterapii i chemioterapii. Niemniej w praktyce klinicznej dalej utrzymywane jest równolegle z raportowaniem objętościowym raportowanie dawki w punktach A i B. Wynika to z konieczności oceny nowego podejścia procesowego w stosunku do protokołów 2D, ustalonych wiele lat temu i dla których zostały zebrane bardzo liczne/dobrze udokumentowane dowody skuteczności klinicznej wraz z obserwacją skutków ubocznych. Szczególną uwagę należy zwrócić na potencjalną potrzebę podania wyższej dawki (boost) w obszarze „choroby resztkowej” parametrium lub węzłów limfatycznych. W brachyterapii dawka na frakcję zdeponowana w ścianie bocznej może być znaczna. Dlatego w przypadku niskiego zaawansowania choroby nowotworowej (mały guz) lub całkowitej „odpowiedzi” na leczenie bez zajęcia chorobą ściany miednicy lub węzłów chłonnych nie jest wymagany boost EBRT. W przypadku powiększonych węzłów chłonnych taki boost powinien być wzięty pod uwagę w leczeniu pacjenta. Sumowanie dawek promieniowania jonizującego, zdeponowanych z EBRT i z BT, odbywa się przez obliczenie biologicznie równoważnej dawki dla frakcji 2 Gy (EQD2), stosując model liniowo-kwadratowy z α/β = 10 Gy dla efektów wczesnych dla tkanki zmienionej nowotworowo (GTV, HRV, IRV) i α/β = 3 Gy dla efektów późnych uszkodzenia tkanek zdrowych (OAR). Połowiczny czas naprawy dla obliczeń wynosi 1,5 godziny.
The Slit Island Method (SIM) is a technique for the estimation of the fractal dimension of an object by determining the area– perimeter relations for successive slits. The SIM could be applied for image analysis of irregular grayscale objects and their classification using the fractal dimension. It is known that this technique is not functional in some cases. It is emphasized in this paper that for specific objects a negative or an infinite fractal dimension could be obtained. The transformation of the input image data from unipolar to bipolar gives a possibility of reformulated image analysis using the Ising model context. The polynomial approximation of the obtained area-perimeter curve allows object classification. The proposed technique is applied to the images of cervical cell nuclei (Papanicolaou smears) for the preclassification of the correct and atypical cells.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.