طبقه بندی و امتیازدهی ایمونوهیستوشیمی نقاط ریزآرایه (میکرو ارگانیسم) های بافت سینه

قیمت: 42,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

طبقه بندی و امتیازدهی ایمونوهیستوشیمی نقاط ریزآرایه (میکرو ارگانیسم) های بافت سینه

عنوان لاتین

Classification and Immunohistochemical Scoring of Breast Tissue Microarray Spots

ریزآرایه های بافت (TMA ها) موجب تسهیل بررسی تعداد بسیار زیادی از تومورها می شوند. هرچند ، ارزیابی دستی بخش های TMA لکه دار متشکل از تنگنایی در جریان کاری پاتولوژیکی می باشد. این مقاله به ارایه جریان کاری محاسباتی (رایانشی) برای طبقه بندی و امتیازدهی خودکار نقاط TMA سرطان پستان می پردازد که مورد بررسی ایمن سازی هسته ای می باشند. نقاط بر اساس بسته ای از رویکرد کلمات بصری طبقه بندی شده اند. امتیازدهی ایمونوهیستوشیمی بوسیله ویژگی های موضع (نقطه - محل) رایانشی اجرا شده که به بازتاب نسبت هسته های اپیتلیال (مخاطی) که لکه دار شده و قدرت لکه دار نمودن می پردازد. این مقوله ها ، سپس در درون مقیاسی ترتیبی استفاده شده توسط پاتولوژیست ها نگاشت شده است. طبقه بندی کننده پرسپترون (نوعی الگوریتم یادگیری ماشین) چند لایه با مدل های موضوعی پنهان و از ماشین های بردار پشتیبانی برای طبقه بندی موضعی ، و رگرسیون ترتیبی پردازش گاووسی و مدل های خطی برای امتیازدهی مقایسه شده است. گوناگونی و تنوع ناظر داخلی نیز همچنین گزارش شده است. کارربرد آنتروپی خلفی برای شناسایی موارد و نمونه های نامطمئن به تصویر کشیده شده است. ارزیابی با استفاده از تصاویر لکه دار شده برای گیرنده پروژسترونی اجرا شده است.

Tissue microarrays (TMAs) facilitate the survey of very large numbers of tumors. However, the manual assessment of stained TMA sections constitutes a bottleneck in the pathologist’s work flow. This paper presents a computational pipeline for automatically classifying and scoring breast cancer TMA spots that have been subjected to nuclear immunostaining. Spots are classified based on a bag of visual words approach. Immunohistochemical scoring is performed by computing spot features reflecting the proportion of epithelial nuclei that are stained and the strength of that staining. These are then mapped onto an ordinal scale used by pathologists. Multilayer perceptron classifiers are compared with latent topic models and support vector machines for spot classification, and with Gaussian process ordinal regression and linear models for scoring. Intraobserver variation is also reported. The use of posterior entropy to identify uncertain cases is demonstrated. Evaluation is performed using TMA images stained for progesterone receptor.