با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
ردیف | عنوان | نوع |
---|---|---|
1 |
Deep learning outperformed 11 pathologists in the classification of histopathological melanoma images
Deep learning outperformed 11 pathologists in the classification of histopathological melanoma images-2019 Abstract Background: The diagnosis of most cancers is made by a board-certified pathologist
based on a tissue biopsy under the microscope. Recent research reveals a high discordance
between individual pathologists. For melanoma, the literature reports on 25e26% of discordance
for classifying a benign nevus versus malignant melanoma. A recent study indicated
the potential of deep learning to lower these discordances. However, the performance of deep
learning in classifying histopathologic melanoma images was never compared directly to human
experts. The aim of this study is to perform such a first direct comparison.
Methods: A total of 695 lesions were classified by an expert histopathologist in accordance
with current guidelines (350 nevi/345 melanoma). Only the haematoxylin & eosin (H&E) slides of these lesions were digitalised via a slide scanner and then randomly cropped. A total of 595
of the resulting images were used to train a convolutional neural network (CNN). The additional
100 H&E image sections were used to test the results of the CNN in comparison to 11
histopathologists. Three combined McNemar tests comparing the results of the CNNs test
runs in terms of sensitivity, specificity and accuracy were predefined to test for significance
(p < 0.05).
Findings: The CNN achieved a mean sensitivity/specificity/accuracy of 76%/60%/68% over 11
test runs. In comparison, the 11 pathologists achieved a mean sensitivity/specificity/accuracy
of 51.8%/66.5%/59.2%. Thus, the CNN was significantly (p Z 0.016) superior in classifying
the cropped images.
Interpretation: With limited image information available, a CNN was able to outperform 11
histopathologists in the classification of histopathological melanoma images and thus shows
promise to assist human melanoma diagnoses. KEYWORDS : Melanoma | Pathology | Histopathology | Deep learning | Artificial intelligence |
مقاله انگلیسی |
2 |
QUANTITATIVE ULTRASOUND AND B-MODE IMAGE TEXTURE FEATURES CORRELATE WITH COLLAGEN AND MYELIN CONTENT IN HUMAN ULNAR NERVE FASCICLES
ويژگي هاي بافت تصفيفي ULTRASOUND و B-MODE كمتر با كلاژن و محتوا ميلين در فاكتورهاي NERVE ULNAR انسان-2019 Abstract—We investigate the usefulness of quantitative ultrasound and B-mode texture features for characterization
of ulnar nerve fascicles. Ultrasound data were acquired from cadaveric specimens using a nominal
30-MHz probe. Next, the nerves were extracted to prepare histology sections. Eighty-five fascicles were matched
between the B-mode images and the histology sections. For each fascicle image, we selected an intra-fascicular
region of interest. We used histology sections to determine features related to the concentration of collagen and
myelin and ultrasound data to calculate the backscatter coefficient (24.89 § 8.31 dB), attenuation coefficient
(0.92 § 0.04 db/cm-MHz), Nakagami parameter (1.01 § 0.18) and entropy (6.92 § 0.83), as well as B-mode texture
features obtained via the gray-level co-occurrence matrix algorithm. Significant Spearman rank correlations
between the combined collagen and myelin concentrations were obtained for the backscatter coefficient
(R = 0.68), entropy (R = 0.51) and several texture features. Our study indicates that quantitative ultrasound
may potentially provide information on structural components of nerve fascicles. Key Words: Nerve | Quantitative ultrasound | High frequency | Histology | Pattern recognition | Texture analysis |
مقاله انگلیسی |
3 |
Utilizing supervised machine learning to identify microglia and astrocytes in situ: implications for large-scale image analysis and quantification
استفاده از یادگیری ماشین نظارت شده برای شناسایی میکروگلیا و آستروسیت ها درجا: پیامدهای آنالیز و اندازه گیری تصویر در مقیاس بزرگ-2019 Background: The evaluation of histological tissue samples plays a crucial role in deciphering preclinical disease
and injury mechanisms. High-resolution images can be obtained quickly however data acquisition are often
bottlenecked by manual analysis methodologies.
New Method: We describe and validate a pipeline for a novel machine learning-based analytical method, using
the Opera High-Content Screening system and Harmony software, allowing for detailed image analysis of cellular
markers in histological samples.
Results: To validate the machine learning pipeline, analyses of single proteins in mouse brain sections were
utilized. To demonstrate adaptability of the pipeline for multiple cell types and epitopes, the percent brain
coverage of microglial cells, identified by ionized calcium binding adaptors molecule 1 (Iba1), and of astrocytes,
by glial fibrillary acidic protein (GFAP) demonstrated no significant differences between automated and manual
analyses protocols. Further to examine the robustness of this protocol for multiple proteins simultaneously labeling
of rat brain sections were utilized; co-localization of astrocytic endfeet on blood vessels, using aquaporin-
4 and tomato lectin respectively, were efficiently identified and quantified by the novel pipeline and were not
significantly different between the two analyses protocols.
Comparison with Existing Methods: The automated platform maintained the sensitivity and accuracy of
manual analysis, while accomplishing the analyses in 1/200th of the time.
Conclusions: We demonstrate the benefits and potential of adapting an automated high-throughput machinelearning
analytical approach for the analysis ofin situ tissue samples, show effectiveness across different animal
models, while reducing analysis time and increasing productivity. Keywords: Supervised machine learning | Artificial intelligence | Histology | Immunofluorescence | Astrocytes | Microglia |
مقاله انگلیسی |
4 |
BreakHis based breast cancer automatic diagnosis using deep learning: Taxonomy, survey and insights
تشخیص خودکار سرطان پستان مبتنی بر BreakHis با استفاده از یادگیری عمیق: طبقه بندی ، مرور و بینش-2019 There are several breast cancer datasets for building Computer Aided Diagnosis systems (CADs) using either deep learning or traditional models. However, most of these datasets impose various trade-offs on practitioners related to their availability or inner clinical value. Recently, a public dataset called BreakHis has been released to overcome these limitations. BreakHis is organized into four magnifica- tion levels, each image is labeled according to its main category (Benign/Malignant) and its subcategory (A/F/PT/TA/PC/DC/LC/MC). This organization allows practitioners to address this problem either as a bi- nary or a multi-category classification task with either a magnification dependent or independent train- ing approach. In this work, we define a taxonomy that categorize this problem into four different refor- mulations: Magnification-Specific Binary (MSB), Magnification-Independent Binary (MIB), Magnification- Specific Multi-category (MSM) and Magnification-Independent Multi-category (MIM) classifications. We provide a comprehensive survey of all related works. We identify the best reformulation from clinical and practical standpoints. Finally, we explore for the first time the MIM approach using deep learning and draw the learnt lessons. Keywords: Breast cancer | BreakHis dataset | Histopathological images | Computer aided diagnosis | Deep learning | Data preprocessing |
مقاله انگلیسی |
5 |
واکنش بدن به پوشش تیتانیومی جدید در مقایسه با پلی¬اتراترکتون: ارزیابی سطوح داخلی و محیطی یک ایمپلنت
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 26 پیش زمینه: افزایش رشد استخوان از بیرون و رشد از داخل در قطعات جوش خوردگی درون بدنی از جنس پلی-اتر اترکتون (PEEK) پتانسیل بهبود نتایج بالینی را دارد.
هدف: این مقاله به ارزیابی واکنش آزمایشگاهی ارتقای رشد استخوان جدید و تحرک استخوان با نانومتالن (NM) در مقایسه با PEEK در محل کشت اسفنجی با منافذ خالی می پردازد.
طراحی پژوهش: این یک پژوهش تصادفی کنترل شده بر روی حیوانات است. روش ها: ایمپلنت ها و بودجه ی این پژوهش توسط SeaSpine (معادل 60000 دلار آمریکا) تأمین شد. پیچ-های استوانه ای با دو منفذ از جنس PEEK با لایه ی زیرمیکرون از جنس تیتانیوم تهیه شدند. پوشش تیتانیوم بر روی کل ایمپلنت قرار گرفت (گروه 1)، در مواردی هم تنها منافذ را پوشاندیم (گروه 2). ایمپلنت-های پلی اتراترکتون فاقد پوشش به عنوان نمونه های شاهد عمل می کنند (گروه 3). ایمپلنت ها در بخش اسفنجی استخوان ران دیستال یا استخوان درشت نی پروگزیمال 8 گوسفند بالغ جای گرفتند و هیچگونه مواد پیوندی بر روی منافذ استفاده نشد.رشد استخوان از بیرون بر روی سطح ایمپلنت و رشد به داخل منافذ طی 4 و 8 هفته پس از عمل جراحی با توموگرافی میکروکامپیوتری (CT) و بافت شناسی فاقد کلسیم زدایی ارزیابی شد. نتایج: منافذ در ایمپلنت ها در گروه PEEK بطور قابل ملاحظه ای در 4 و 8 هفته خالی بودند. در مقابل، تشکیل استخوان جدید درون منافذ در نمونه های پوشیده شده با NM حتی بدون قرار دادن ماده ی پیوندی بر روی محل شکستگی، ثبت شد. رشد استخوان به درون منفذ در امتداد لایه ی تیتانیوم بود. منافذ دارای پوشش تیتانیومی رتبه ی کیفی میکرو CT استخوانی به مراتب بهتری در مقایسه با PEEK داشتند، متوسط نمره ی پوشش استخوانی گروه 1 (NM)، 1.62±0.89 ، گروه 2 (NM تنها برای منافذ) 1.62±0.77 و گروه 3 (PEEK) برابر با 0.43±0.51 در 4 هفته بود (p<0.01)، برای 8 هفته نیز به ترتیب این نمرات را داریم: 1.79±1.19، 1.98±1.18 و 0.69±0.87 (p<0.05). مقدار استخوان در منافذ (رشد از داخل) با استفاده از داده های حجم سنجی حاصل از میکرو CT کمی سازی شده و بیانگر افزایش کلی حجم استخوان درون منافذ با بکارگیری پوشش تیتانیومی در مقایسه با PEEK است. بافت-شناسی نشان می دهد استخوان های جدید در امتداد سطح تیتانیوم در منافذ ایجاد می شوند. سطح رابط PEEK، بافت رشته ای غیرواکنش پذیر معمولی درون منافذ در هفته ی چهارم و تماس کانونی با استخوان بر روی سطح خارجی در هفته های 4 و 8 را نشان می دهد. نتیجه گیری: میکرو CT و بافت شناسی بیانگر رشد استخوان از بیرون بر روی سطوح پوشیده شده با NM است که در آن، استخوان تشکیل شده ی جدید در امتداد سطوح پوشیده شده با تیتانیوم نازک ایجاد می شود. سطوح پلی اتراترکتون، بافت رشته ای غیرواکنش پذیر در سطوح رابط را که پیشتر در سناریوهای پیش بالینی گزارش شده بود را نشان می دهد. کلیدواژه ها: مدل حیوانی | رشد استخوان از بیرون | بافت شناسی | PEEK | گوسفند | جوش ستون فقرات | پوشش تیتانیوم |
مقاله ترجمه شده |
6 |
واکنش بدن به پوشش تیتانیومی جدید در مقایسه با پلی اتراترکتون: ارزیابی سطوح داخلی و محیطی یک ایمپلنت
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 26 پیش زمینه: افزایش رشد استخوان از بیرون و رشد از داخل در قطعات جوش خوردگی درون بدنی از جنس پلی اتر-اترکتون (PEEK) پتانسیل بهبود نتایج بالینی را دارد.
هدف: این مقاله به ارزیابی واکنش آزمایشگاهی ارتقای رشد استخوان جدید و تحرک استخوان با نانومتالن (NM) در مقایسه با PEEK در محل کشت اسفنجی با منافذ خالی می پردازد.
طراحی پژوهش: این یک پژوهش تصادفی کنترل شده بر روی حیوانات است. روش ها: ایمپلنت ها و بودجه ی این پژوهش توسط SeaSpine (معادل 60000 دلار آمریکا) تأمین شد. پیچ های استوانه ای با دو منفذ از جنس PEEK با لایه ی زیرمیکرون از جنس تیتانیوم تهیه شدند. پوشش تیتانیوم بر روی کل ایمپلنت قرار گرفت (گروه 1)، در مواردی هم تنها منافذ را پوشاندیم (گروه 2). ایمپلنت های پلی-اتراترکتون فاقد پوشش به عنوان نمونه های شاهد عمل می کنند (گروه 3). ایمپلنت ها در بخش اسفنجی استخوان ران دیستال یا استخوان درشت نی پروگزیمال 8 گوسفند بالغ جای گرفتند و هیچگونه مواد پیوندی بر روی منافذ استفاده نشد.رشد استخوان از بیرون بر روی سطح ایمپلنت و رشد به داخل منافذ طی 4 و 8 هفته پس از عمل جراحی با توموگرافی میکروکامپیوتری (CT) و بافت شناسی فاقد کلسیم زدایی ارزیابی شد. نتایج: منافذ در ایمپلنت ها در گروه PEEK بطور قابل ملاحظه ای در 4 و 8 هفته خالی بودند. در مقابل، تشکیل استخوان جدید درون منافذ در نمونه های پوشیده شده با NM حتی بدون قرار دادن ماده ی پیوندی بر روی محل شکستگی، ثبت شد. رشد استخوان به درون منفذ در امتداد لایه ی تیتانیوم بود. منافذ دارای پوشش تیتانیومی رتبه ی کیفی میکرو CT استخوانی به مراتب بهتری در مقایسه با PEEK داشتند، متوسط نمره ی پوشش استخوانی گروه 1 (NM)، 1.62±0.89 ، گروه 2 (NM تنها برای منافذ) 1.62±0.77 و گروه 3 (PEEK) برابر با 0.43±0.51 در 4 هفته بود (p<0.01)، برای 8 هفته نیز به ترتیب این نمرات را داریم: 1.79±1.19، 1.98±1.18 و 0.69±0.87 (p<0.05). مقدار استخوان در منافذ (رشد از داخل) با استفاده از داده های حجم سنجی حاصل از میکرو CT کمی سازی شده و بیانگر افزایش کلی حجم استخوان درون منافذ با بکارگیری پوشش تیتانیومی در مقایسه با PEEK است. بافت شناسی نشان می دهد استخوان های جدید در امتداد سطح تیتانیوم در منافذ ایجاد می شوند. سطح رابط PEEK، بافت رشته ای غیرواکنش پذیر معمولی درون منافذ در هفته ی چهارم و تماس کانونی با استخوان بر روی سطح خارجی در هفته های 4 و 8 را نشان می-دهد. نتیجه گیری: میکرو CT و بافت شناسی بیانگر رشد استخوان از بیرون بر روی سطوح پوشیده شده با NM است که در آن، استخوان تشکیل شده ی جدید در امتداد سطوح پوشیده شده با تیتانیوم نازک ایجاد می شود. سطوح پلی اتراترکتون، بافت رشته ای غیرواکنش پذیر در سطوح رابط را که پیشتر در سناریوهای پیش بالینی گزارش شده بود را نشان می دهد. کلیدواژه ها: مدل حیوانی | رشد استخوان از بیرون | بافت شناسی | PEEK | گوسفند | جوش ستون فقرات | پوشش تیتانیوم |
مقاله ترجمه شده |
7 |
When machine vision meets histology: A comparative evaluation of model architecture for classification of histology sections
هنگامی که بینایی دستگاه با بافت شناسی مقابله می شود: ارزیابی مقایسه ای از معماری مدل برای طبقه بندی بخش های بافت شناسی-2017 Article history:Received 25 February 2016Revised 12 August 2016Accepted 26 August 2016Available online 9 September 2016Keywords:Computational histopathology ClassificationUnsupervised feature learning Sparse feature encoderClassification of histology sections in large cohorts, in terms of distinct regions of microanatomy (e.g., stromal) and histopathology (e.g., tumor, necrosis), enables the quantification of tumor composition, and the construction of predictive models of genomics and clinical outcome. To tackle the large technical vari- ations and biological heterogeneities, which are intrinsic in large cohorts, emerging systems utilize either prior knowledge from pathologists or unsupervised feature learning for invariant representation of the underlying properties in the data. However, to a large degree, the architecture for tissue histology classi- fication remains unexplored and requires urgent systematical investigation. This paper is the first attempt to provide insights into three fundamental questions in tissue histology classification: I. Is unsupervised feature learning preferable to human engineered features? II. Does cellular saliency help? III. Does the sparse feature encoder contribute to recognition? We show that (a) in I, both Cellular Morphometric Fea- ture and features from unsupervised feature learning lead to superior performance when compared to SIFT and [Color, Texture]; (b) in II, cellular saliency incorporation impairs the performance for systems built upon pixel-/patch-level features; and (c) in III, the effect of the sparse feature encoder is correlated with the robustness of features, and the performance can be consistently improved by the multi-stage ex- tension of systems built upon both Cellular Morphmetric Feature and features from unsupervised feature learning. These insights are validated with two cohorts of Glioblastoma Multiforme (GBM) and Kidney Clear Cell Carcinoma (KIRC).© 2016 Elsevier B.V. All rights reserved. Keywords: Computational histopathology | Classification | Unsupervised feature learning | Sparse feature encoder |
مقاله انگلیسی |
8 |
معاینه ی بافت شناختی زائده ی دهلیز راست پس از عدم موفقیت فرسایش کاتتر برای بررسی تاکی کاردی دهلیزی کانونی در شرایط بغرنج شوک قبلی در یک بیمار پس از زایمان
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 3 - تعداد صفحات فایل doc فارسی: 7 یک خانم 26 ساله در نخستین زایمان، علائم تاکی کاردی دهلیزی (AT) مزمن را از خود بروز داد. AT نسبت به دارو، کاردیوورژن و تلاش اولیه برای فرسایش کاتتر، مقاوم بود. او دو ماه بعد از زایمان دچار اختلال عملکردی سیستولی شدید و افت شدید فشار خون شد. فرسایش کاتتر اورژانسی با پشتیبانی بای پس قلبی-ریوی از راه پوست و پمپ بالن درون آئورتی انجام شد. AT از نوک زائده ی دهلیز راست (RAA) نشأت می گرفت. تلاش های مکرر برای برداشتن زائده، ناموفق بود و تلاش برای برداشتن RAA با عمل جراحی را موجب شد، این موجب از بین رفتن تاکی کاردی و بهبود عملکرد قلب شد. معاینه ی بافت شناختی RAA برداشته شده، بینش هایی را در خصوص سازوکار مقاومت به فرسایش کاتتر فراهم می آورد.
کلمات کلیدی: زائده ی دهلیز راست | تاکی کاردی دهلیزی | بارداری | شوک قبلی | بافت شناسی |
مقاله ترجمه شده |
9 |
عملکرد استئوبلاست کنندگی پلی اتراترکتون اصلاح شده با پوشش تیتانیوم دی اکسید در بدن موجود زنده با استفاده از آبکاری یون قوسی برای کاربردهای ایمپلنت ستون فقرات
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 24 پلی اتراترکتون (PEEK) که عملکرد بیومکانیکی مشابه استخوان اسفنجی انسان دارد، بطور گسترده به عنوان ماده ی ایمپلنت ستون فقرات استفاده می شود. این به لحاظ زیستی بی اثر بوده و خواص سطحی آبگریز آن موجب استئوبلاست کنندگی ضعیف می شود. این مقاله یک روش اصلاحی جدید یعنی آبکاری یون قوسی (AIP) را مورد استفاده قرار می دهد که پوشش هایی از جنش تیتانیوم دی اکسید (TiO2) با قابلیت استئوبلاست بالا بر روی زیربستر PEEK فراهم می آورد. این PEEK دارای پوشش TiO2 (TiO2/PEEK) درون استخوان ران خرگوش های نر سفید نیوزیلند کاشته شد تا عملکرد آن درون بدن موجود زنده با آزمون درون کشی و مشاهدات بافت شناسی ارزیابی شود. نتایج تحلیلی نشان می دهد که AIP می تواند پوشش های TiO2 را بر روی زیربسترهای PEEK گلوله مانند به عنوان مواد ایمپلنت ایجاد کند. پس از ایمپلنت گذاری طولانی مدت در خرگوش ها، هیچ علائمی از التهاب مشاهده نشد. از مشاهدات بافت-شناسی تشخیص دادیم که استخوان ایجادشده ی جدید عمدتاً از ایمپلنت TiO2/PEEK ایجاد شده است. استحکام برشی سطح واسط استخوان/ایمپلنت با افزایش دوره ی زمانی ایمپلنت گذاری افزایش می یابد. مهم تر از همه اینکه، عملکرد پیوند استخوانی ایمپلنت TiO2/PEEK در مقایسه با PEEK بدون پوشش، بهتر است. پوشش های TiO2-روتیل به استئوبلاست کنندگی بهتری در مقایسه با پوشش های TiO2-آناتاز دست یافت. در نتیجه، AIP-TiO2 می تواند به عنوان روش اصلاح سطحی جدیدی برای PEEK در قفس های جوش داخل بدنی ستون فقرات عمل کند. |
مقاله ترجمه شده |
10 |
پروتئین مربوط به هورمون پاراتیروئید (111-107) باعث افزایش پتانسیل بازسازی استخوان هیدروکسی آپاتیت با پوشش بیوپلیمری ژلاتین گلوتارالدئید می شود
سال انتشار: 2014 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 27 هیدروکسی آپاتیت نانوکریستال با پوشش بیوپلیمری (HA) به صورت فوم های ماکرومنفذی ساخته شده است که تجزیه پذیر و قابل انعطاف بوده و کاندیدای امیدوارکننده ای برای ایمپلنت ارتوپدی در نظر گرفته می شود. اپیتوپ ترمینال C (111-107) مربوط به پروتئین هورمونی پاراتیروئید (PTHrP) ، ویژگی های استئوژنی از خود نشان می دهد. هدف اصلی این مقاله این بود که مشخص شود آیا بارگذاری PTHrP (107-111) در داربست های هیدروکسی آپاتیت با پوشش بیوپلیمری ژلاتین گلوتارالدئید (HAGlu) می تواند منجر به تولید یک ماده زیستی بهینه برای کاربردهای مهندسی بافت باشد. داربست های HAGlu با و بدون PTHrP (107-111) در یک نقص حفره ای از هر دو متافیز تیبالی دیستال موش های بالغ کاشته شد. حیوانات بعد از 4 هفته به منظور بررسی های بافت شناسی، توموگرافی میکروکامپیوتری و تجزیه و تحلیل بیان ژن کالوس کشته شدند. در این زمان، ترمیم استخوان تنها در حضور ایمپلنت HAGlu حاوی PTHrP (107-111) رخ داد، که منجر به افزایش حجم استخوان / حجم بافت و ضخامت ترابکولار، ضخامت کورتکس و بیان ژن استئوکلسین و چسبندگی سلولهای عروقی مولکول 1 گردید، اما کاهش بیان ژن مهار کننده های Wnt، SOST و هومولوگ 1 dickkopf را به دنبال داشت. تاثیر مستقل استخوان سازی داربست های HAGlu بارگذاری شده در PTHrP (107-111) در کشت های سلول استئوبلاست انسان و موش تایید گردید. یافته های ما نشان می دهد که بارگذاری PTHrP (107-111) در داربست های قابل تجزیه HAGlu با هدف دستیابی به یک ماده زیستی بهینه بسیار سودآور است چون استفاده از آن در کاربردهای پزشکی با حجم بار بسیار کم شایان توجه است.
کلیدواژه ها: داربست های ماکرومنفذ | هیدروکسی آپاتیت | PTHrP (107-111) | بازسازی استخوان در بدن | موش |
مقاله ترجمه شده |