Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Brain Tissue Entropy Changes in Patients with Autism Spectrum Disorder Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Monitoring Acute Lymphoblastic Leukemia Therapy with Stacked Denoising Autoencoders

verfasst von : Jakob Scheithe, Roxane Licandro, Paolo Rota, Michael Reiter, Markus Diem, Martin Kampel

Erschienen in: Computer Aided Intervention and Diagnostics in Clinical and Medical Images

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

For acute lymphoblastic leukemia treatment monitoring, the ratio of cancerous blood cells, called Minimal Residual Disease (MRD), is in practice assessed manually by experts. Using flow cytometry, single cells are classified as cancerous or healthy, based on a number of measured parameters. This task allows application of machine learning techniques, such as Stacked Denoising Autoencoders (DSAE). Seven different models’ performance in assessing MRD was evaluated. Higher model complexity does not guarantee better performance. For all models, a high number of false positives biases the predicted MRD value. Therefore, cost-sensitive learning is proposed as a way of improving classification performance.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Prediction of Chronic Kidney Diseases Using Deep Artificial Neural Network Technique
Nächstes Kapitel Modified Low-Power Built-in Self-test for Image Processing Application
Fußnoten
1
For the conducted randomized clinical trial AIEOP-BFM 2009, approximately 2000 ALL patients between age 1–18 years in 20 countries in and outside Europe were observed per year (see http://​www.​bfm-international.​org/​trials.​php [assessed 2018-04-14]).
 
2
See [19, 8.5.1] for a definition of the performance metrics.
 
Literatur
1.
Theunissen P, Mejstrikova E et al (2017) Standardized flow cytometry for highly sensitive MRD measurements in B-cell acute lymphoblastic leukemia. Blood 129(3):347–357CrossRef
2.
Brüggemann M, Schrauder A, Raff T et al (2008) Standardized MRD quantification in European ALL trials: proceedings of the second international symposium on MRD assessment in Kiel, Germany, 18–20 Sept 2008. (2010) Leuk Off J Leuk Soc Am Leuk Res Fund 24(3):521–535CrossRef
3.
Greenspan H, van Ginneken B, Summers RM (2016) Guest editorial deep learning in medical imaging: overview and future promise of an exciting new technique. IEEE Trans Med Imaging 35(5):1153–1159CrossRef
4.
Guo Z, Li X, Xiang et al (2017) Medical image segmentation based on multi-modal convolutional neural network: study on image fusion schemes. arXiv:​1711.​00049
5.
Moeskops P, Viergever M, Mendrik A et al (2016) Automatic segmentation of MR brain images with a convolutional neural network. IEEE Trans Med Imag 35(5):1252–1261CrossRef
6.
He K, Zhang X, Ren S, Sun J (2014) Spatial pyramid pooling in deep convolutional networks for visual recognition. In: ECCV. Springer
7.
Zhang Y, Sohn K, Villegas R, Pan G, Lee H (2015) Improving object detection with deep convolutional networks via bayesian optimization and structured prediction. In: CVPR. IEEE (2015)
8.
Schlegl T, Waldstein S, Vogl WD et al (2015) Predicting semantic descriptions from medical images with convolutional neural networks. In: Ourselin S, Alexander DC, Westin CF, Cardoso M (eds) IPMI. Springer International Publishing, vol 9123. pp 437–448 (2015)
9.
Vincent P, Larochelle H, Lajoie I et al (2010) Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion. J Mach Learn Res 11:3371–3408MathSciNetMATH
10.
11.
Licandro R, Rota P, Reiter M, Kampel M (2016) Flow Cytometry based automatic MRD assessment in Acute Lymphoblastic Leukaemia: Longitudinal evaluation of time-specific cell population models. In: 14th international workshop on content-based multimedia indexing (CBMI)
12.
Ng A (2011) Sparse autoencoder. CS294A Lect Notes 72(2011):1–19
13.
Bengio Y, Lamblin P, Popovici D et al (2007) Greedy layer-wise training of deep networks. In: Advances in neural information processing systems, pp 153–160
14.
Bishop C (2006) Pattern recognition and machine learning. Information science and statistics, Springer, New York
15.
Vincent P, Larochelle H, Lajoie I et al (2010) Stacked denoising autoencoders: learning useful representations in a deep network with a local denoising criterion. J Machi Learn Res 11(Dec):3371–3408
16.
17.
18.
Bergstra J, Bardenet R, Bengio Y, Kgl B (2011) Algorithms for hyper-parameter optimization. In: Advances in neural information processing systems pp. 2546–2554
19.
Han J, Kamber M (2011) Data mining: concepts and techniques, 3rd edn. Elsevier, Burlington, MA
20.
Karsa M, Dalla Pozza L, Venn N et al (2013) Improving the identification of high risk precursor B acute lymphoblastic leukemia patients with earlier quantification of minimal residual disease. PLoS ONE 8(10):e76455CrossRef
Metadaten
Titel
Monitoring Acute Lymphoblastic Leukemia Therapy with Stacked Denoising Autoencoders
verfasst von
Jakob Scheithe
Roxane Licandro
Paolo Rota
Michael Reiter
Markus Diem
Martin Kampel
Copyright-Jahr
2019
Buch
Computer Aided Intervention and Diagnostics in Clinical and Medical Images

Print ISBN: 978-3-030-04060-4

Electronic ISBN: 978-3-030-04061-1

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-030-04061-1_19

Neuer Inhalt

    Bildnachweise