Предложен набор размеченных гистологических изображений различных патологических процессов молочной железы, включающий 104 микроскопических препарата от 92 пациентов и более 40 тысяч изображений. К набору данных предложена аннотация с морфологическими типами, характером патологических процессов, степенью дифференцировки опухоли, характеристикой по классификации TNM и возрастом пациентов. Набор данных подготовлен в соответствии с внутренними процедурами ФГБУ ГНЦ ФМБЦ им. А. И. Бурназяна ФМБА России, не содержит персональных данных, а его элементы не позволяют идентифицировать пациента. Для исследовательских и образовательных целей набор данных доступен на странице репозитория GitHub и может быть использован для дальнейших исследований с целью повышения качества гистологической диагностики с помощью нейронных сетей.
Литература
1. Гусев А.В., Плисс М.А., Левин М.Б., Новицкий Р.Э. Тренды и прогнозы развития медицинских информационных систем в России // Врач и информационные технологии. 2019; 2: 38–49.
2. Esteva A., Kuprel B., Novoa R. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017; 542: 115–118. doi:10.1038/nature21056.
3. Tanaka T., Huang Y., Marukawa Y. et al. Differentiation of Small (≤ 4 cm) Renal Masses on Multiphase Contrast-Enhanced CT by Deep Learning [published correction appears in AJR Am J Roentgenol. 2020 Apr; 214(4): 945]. AJR Am J Roentgenol. 2020; 214(3): 605–612. doi:10.2214/AJR.19.22074.
4. Дрокин И.С., Еричева Е.В., Бухвалов О.Л., Пилюс П.С., Малыгина Т.С., Синицын В.Е. Опыт разработки и внедрения системы поиска онкологических образований с помощью искусственного интеллекта на примере рентгеновской компьютерной томографии легких. // Врач и информационные технологии. 2019; 3: 48–57.
5. Hägele M., Seegerer P., Lapuschkin S. et al. Resolving challenges in deep learning-based analyses of histopathological images using explanation methods. Sci Rep. 2020: 10:6423. doi:10.1038/ s41598 020 62724 2.
6. Litjens G., Sánchez C., Timofeeva N. et al. Deep learning as a tool for increased accuracy and efficiency of histopathological diagnosis. Sci Rep. 2016; 6, 26286. doi:10.1038/srep26286
7. Holzinger A. et al. Towards the augmented pathologist: Challenges of explainable-ai in digital pathology. arXiv 2017; 1712.06657: 1–34.
8. Spanhol F.A., Oliveira L.S., Petitjean C., Heutte L. “A Dataset for Breast Cancer Histopathological Image Classification» in IEEE Transactions on Biomedical Engineering. 2016 July; 63(7):1455–1462. doi:10.1109/TBME.2015.2496264.
9. Aksac A., Demetrick D.J., Ozyer T., Alhajj R. BreCaHAD: a dataset for breast cancer histopathological annotation and diagnosis. BMC Res Notes. 2019; 12(1): 82. doi:10.1186/s13104 019 4121 7.
10. Aresta G., Araújo T., Kwok S. et al. BACH: Grand challenge on breast cancer histology images. Med Image Anal. 2019; 56: 122–139. doi:10.1016/j.media.2019.05.010.
11. Yao H., Zhang X., Zhou X., Liu S. Parallel Structure Deep Neural Network Using CNN and RNN with an Attention Mechanism for Breast Cancer Histology Image Classification. Cancers (Basel). 2019;11(12):1901. doi:10.3390/cancers11121901.
12. Alzubaidi L., Al-Shamma O., Fadhel M.A., Farhan L., Zhang J., Duan Y. Optimizing the Performance of Breast Cancer Classification by Employing the Same Domain Transfer Learning from Hybrid Deep Convolutional Neural Network Model. Electronics. 2020; 9: 445. doi:10.3390/electronics9030445.
13. Qi Q., Li Y., Wang J., Zheng H., Huang Y., Ding X. et al. «Label-Efficient Breast Cancer Histopathological Image Classification,» in IEEE Journal of Biomedical and Health Informatics. 2019;23(5):2108–2116. doi: 10.1109/JBHI.2018.2885134.
14. Bankhead P., Loughrey M.B., Fernández J.A. et al. QuPath: Open source software for digital pathology image analysis. Sci Rep. 2017;7:16878. doi:10.1038/s41598 017 17204 5.
15. Lakhani S.R., Ellis I.O., Schnitt S.J., Tan P.H., Van de Vijver M.J., editors. WHO Classification of Tumours of the Breast. Fourth ed. IARC. Lyon, 2012. – 240 p.
16. Elston C.W., Ellis I.O. Pathological prognostic factors in breast cancer. I. The value of histological grade in breast cancer: experience from a large study with long-term follow-up. Histopathology. 1991; 19(5): 403–410. doi:10.1111/j.1365–2559.1991.tb00229.x.
17. Sloane J.P., Amendoeira I., Apostolikas N. et al. Consistency achieved by 23 European pathologists in categorizing ductal carcinoma in situ of the breast using five classifications. European Commission Working Group on Breast Screening Pathology. Hum Pathol. 1998; 29(10): 1056–1062. doi: 10.1007/ s004280050297.
18. Брайерли Дж.Д., Господарович М. К., Виттекинд К. TNM Классификация злокачественных опухолей. Логосфера, 2018. – 344 с.
19. Christian Szegedy S., Vanhoucke V., Ioffe S., Shlens J., Wojna Z. Rethinking the Inception Architecture for Computer Vision. arXiv. 2015. https://arxiv.org/1512.00567 [Дата последнего обращения: 15.06.2020].
20. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. 2015. https://arxiv. org/1512.03385 [Дата последнего обращения: 15.06.2020].
2. Esteva A., Kuprel B., Novoa R. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017; 542: 115–118. doi:10.1038/nature21056.
3. Tanaka T., Huang Y., Marukawa Y. et al. Differentiation of Small (≤ 4 cm) Renal Masses on Multiphase Contrast-Enhanced CT by Deep Learning [published correction appears in AJR Am J Roentgenol. 2020 Apr; 214(4): 945]. AJR Am J Roentgenol. 2020; 214(3): 605–612. doi:10.2214/AJR.19.22074.
4. Дрокин И.С., Еричева Е.В., Бухвалов О.Л., Пилюс П.С., Малыгина Т.С., Синицын В.Е. Опыт разработки и внедрения системы поиска онкологических образований с помощью искусственного интеллекта на примере рентгеновской компьютерной томографии легких. // Врач и информационные технологии. 2019; 3: 48–57.
5. Hägele M., Seegerer P., Lapuschkin S. et al. Resolving challenges in deep learning-based analyses of histopathological images using explanation methods. Sci Rep. 2020: 10:6423. doi:10.1038/ s41598 020 62724 2.
6. Litjens G., Sánchez C., Timofeeva N. et al. Deep learning as a tool for increased accuracy and efficiency of histopathological diagnosis. Sci Rep. 2016; 6, 26286. doi:10.1038/srep26286
7. Holzinger A. et al. Towards the augmented pathologist: Challenges of explainable-ai in digital pathology. arXiv 2017; 1712.06657: 1–34.
8. Spanhol F.A., Oliveira L.S., Petitjean C., Heutte L. “A Dataset for Breast Cancer Histopathological Image Classification» in IEEE Transactions on Biomedical Engineering. 2016 July; 63(7):1455–1462. doi:10.1109/TBME.2015.2496264.
9. Aksac A., Demetrick D.J., Ozyer T., Alhajj R. BreCaHAD: a dataset for breast cancer histopathological annotation and diagnosis. BMC Res Notes. 2019; 12(1): 82. doi:10.1186/s13104 019 4121 7.
10. Aresta G., Araújo T., Kwok S. et al. BACH: Grand challenge on breast cancer histology images. Med Image Anal. 2019; 56: 122–139. doi:10.1016/j.media.2019.05.010.
11. Yao H., Zhang X., Zhou X., Liu S. Parallel Structure Deep Neural Network Using CNN and RNN with an Attention Mechanism for Breast Cancer Histology Image Classification. Cancers (Basel). 2019;11(12):1901. doi:10.3390/cancers11121901.
12. Alzubaidi L., Al-Shamma O., Fadhel M.A., Farhan L., Zhang J., Duan Y. Optimizing the Performance of Breast Cancer Classification by Employing the Same Domain Transfer Learning from Hybrid Deep Convolutional Neural Network Model. Electronics. 2020; 9: 445. doi:10.3390/electronics9030445.
13. Qi Q., Li Y., Wang J., Zheng H., Huang Y., Ding X. et al. «Label-Efficient Breast Cancer Histopathological Image Classification,» in IEEE Journal of Biomedical and Health Informatics. 2019;23(5):2108–2116. doi: 10.1109/JBHI.2018.2885134.
14. Bankhead P., Loughrey M.B., Fernández J.A. et al. QuPath: Open source software for digital pathology image analysis. Sci Rep. 2017;7:16878. doi:10.1038/s41598 017 17204 5.
15. Lakhani S.R., Ellis I.O., Schnitt S.J., Tan P.H., Van de Vijver M.J., editors. WHO Classification of Tumours of the Breast. Fourth ed. IARC. Lyon, 2012. – 240 p.
16. Elston C.W., Ellis I.O. Pathological prognostic factors in breast cancer. I. The value of histological grade in breast cancer: experience from a large study with long-term follow-up. Histopathology. 1991; 19(5): 403–410. doi:10.1111/j.1365–2559.1991.tb00229.x.
17. Sloane J.P., Amendoeira I., Apostolikas N. et al. Consistency achieved by 23 European pathologists in categorizing ductal carcinoma in situ of the breast using five classifications. European Commission Working Group on Breast Screening Pathology. Hum Pathol. 1998; 29(10): 1056–1062. doi: 10.1007/ s004280050297.
18. Брайерли Дж.Д., Господарович М. К., Виттекинд К. TNM Классификация злокачественных опухолей. Логосфера, 2018. – 344 с.
19. Christian Szegedy S., Vanhoucke V., Ioffe S., Shlens J., Wojna Z. Rethinking the Inception Architecture for Computer Vision. arXiv. 2015. https://arxiv.org/1512.00567 [Дата последнего обращения: 15.06.2020].
20. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. 2015. https://arxiv. org/1512.03385 [Дата последнего обращения: 15.06.2020].
Для цитирования
Документы
Ключевые слова