Automatic detection of head and neck squamous cell carcinoma on histologic slides using hyperspectral microscopic imaging (Erratum)

Ma, Ling; Little, James V.; Chen, Amy Y.; Myers, Larry L.; Sumer, Baran D.; Fei, Baowei

doi:10.1117/1.jbo.27.5.059802

Cited by 2 publications

(1 citation statement)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…En los últimos años, se han realizado diferentes avances en la detección automática de tumores en imágenes multiespectrales (MSI) e hiperespectrales (HSI), usando diferentes métodos como los mapas auto organizados, árboles de decisión, SVM o Redes Neuronales, destacando las redes neuronales convolucionales (CNN) [4,9,5,3], ya que hay estudios que sugieren que este tipo de imágenes pueden mejorar los resultados obtenidos con imágenes RGB en aplicaciones biomédicas [7,6], concretamente en el análisis de biopsias. Las MSI o HSI contienen información en distintas longitudes de onda dentro del espectro electromagnético.…”

Section: Introducci óNunclassified

Tinción digital en imágenes microscópicas multiespectrales. Aplicación a la identificación del cáncer de mama

Ruiz¹,

Vállez²,

Velasco³

et al. 2022

XLIII Jornadas De Automática: Libro De Actas: 7, 8 Y 9 De Septiembre De 2022, Logroño (La Rioja)

View full text Add to dashboard Cite

El propósito de este trabajo es la clasificación de tejido mamario sin tinción que permita discriminar muestras tumorales de no tumorales. Para ello se utilizan técnicas de aprendizaje profundo e imágenes multiespectrales (MSI) adquiridas con diferentes longitudes de onda, desde 425 nm hasta 700 nm y paso espectral de 4 nm. El trabajo realizado contempla un análisis para determinar si las diferentes bandas espectrales proporcionan información adicional a la que se consigue con imágenes adquiridas con cámaras comunes. Como resultado del trabajo se obtiene el modelo de clasificación con MSI que proporciona la tasa de acierto más próxima a los modelos de clasificación que emplean imágenes con tinción. Además, se han implementado varios métodos de tinción digital aplicando técnicas de aprendizaje profundo. La tinción virtual se realizaría posteriormente a la clasificación para corroborar visualmente los resultados, permitiendo avanzar en el análisis espectral a nivel celular y tisular.

show abstract

Section: Introducci óNunclassified

Tinción digital en imágenes microscópicas multiespectrales. Aplicación a la identificación del cáncer de mama

Ruiz¹,

Vállez²,

Velasco³

et al. 2022

XLIII Jornadas De Automática: Libro De Actas: 7, 8 Y 9 De Septiembre De 2022, Logroño (La Rioja)

View full text Add to dashboard Cite

show abstract

Computer-aided endoscopic diagnostic system modified with hyperspectral imaging for the classification of esophageal neoplasms

Wang,

Karmakar,

Mukundan

et al. 2024

Front. Oncol.

View full text Add to dashboard Cite

IntroductionThe early detection of esophageal cancer is crucial to enhancing patient survival rates, and endoscopy remains the gold standard for identifying esophageal neoplasms. Despite this fact, accurately diagnosing superficial esophageal neoplasms poses a challenge, even for seasoned endoscopists. Recent advancements in computer-aided diagnostic systems, empowered by artificial intelligence (AI), have shown promising results in elevating the diagnostic precision for early-stage esophageal cancer.MethodsIn this study, we expanded upon traditional red–green–blue (RGB) imaging by integrating the YOLO neural network algorithm with hyperspectral imaging (HSI) to evaluate the diagnostic efficacy of this innovative AI system for superficial esophageal neoplasms. A total of 1836 endoscopic images were utilized for model training, which included 858 white-light imaging (WLI) and 978 narrow-band imaging (NBI) samples. These images were categorized into three groups, namely, normal esophagus, esophageal squamous dysplasia, and esophageal squamous cell carcinoma (SCC).ResultsAn additional set comprising 257 WLI and 267 NBI images served as the validation dataset to assess diagnostic accuracy. Within the RGB dataset, the diagnostic accuracies of the WLI and NBI systems for classifying images into normal, dysplasia, and SCC categories were 0.83 and 0.82, respectively. Conversely, the HSI dataset yielded higher diagnostic accuracies for the WLI and NBI systems, with scores of 0.90 and 0.89, respectively.ConclusionThe HSI dataset outperformed the RGB dataset, demonstrating an overall diagnostic accuracy improvement of 8%. Our findings underscored the advantageous impact of incorporating the HSI dataset in model training. Furthermore, the application of HSI in AI-driven image recognition algorithms significantly enhanced the diagnostic accuracy for early esophageal cancer.

show abstract

Automatic detection of head and neck squamous cell carcinoma on histologic slides using hyperspectral microscopic imaging (Erratum)

Cited by 2 publications

References 0 publications

Tinción digital en imágenes microscópicas multiespectrales. Aplicación a la identificación del cáncer de mama

Tinción digital en imágenes microscópicas multiespectrales. Aplicación a la identificación del cáncer de mama

Computer-aided endoscopic diagnostic system modified with hyperspectral imaging for the classification of esophageal neoplasms

Contact Info

Product

Resources

About