Fugu-MT 論文翻訳(概要): HistomicsML2.0: Fast interactive machine learning for whole slide imaging data

論文の概要: HistomicsML2.0: Fast interactive machine learning for whole slide imaging data

arxiv url: http://arxiv.org/abs/2001.11547v1
Date: Thu, 30 Jan 2020 20:10:26 GMT
ステータス: 処理完了
システム内更新日: 2023-01-05 12:02:14.521194
Title: HistomicsML2.0: Fast interactive machine learning for whole slide imaging data
Title（参考訳）: histomicsml2.0: 全スライド画像データのための高速インタラクティブ機械学習
Authors: Sanghoon Lee, Mohamed Amgad, Deepak R. Chittajallu, Matt McCormick, Brian P Pollack, Habiba Elfandy, Hagar Hussein, David A Gutman, Lee AD Cooper
Abstract要約: HistomicsML2.0は、機械学習分類器を高速に学習し、全スライディング画像データセットの組織学的パターンを検出する。 HistomicsML2.0は、さまざまなアプリケーションに容易に適応可能な畳み込みネットワークを使用し、Webベースのユーザインターフェースを提供し、デプロイを簡単にするためのソフトウェアコンテナとして利用できる。
参考スコア（独自算出の注目度）: 6.396738205632676
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Extracting quantitative phenotypic information from whole-slide images presents significant challenges for investigators who are not experienced in developing image analysis algorithms. We present new software that enables rapid learn-by-example training of machine learning classifiers for detection of histologic patterns in whole-slide imaging datasets. HistomicsML2.0 uses convolutional networks to be readily adaptable to a variety of applications, provides a web-based user interface, and is available as a software container to simplify deployment.
Abstract（参考訳）: 全体スライド画像から定量的表現型情報を抽出することは,画像解析アルゴリズムの開発経験のない研究者にとって大きな課題である。本稿では,機械学習の分類器を高速に学習し,全スライディング画像データセットの組織学的パターンを検出するソフトウェアを提案する。 HistomicsML2.0は、さまざまなアプリケーションに容易に適応可能な畳み込みネットワークを使用し、Webベースのユーザインターフェースを提供し、デプロイを簡単にするためのソフトウェアコンテナとして利用できる。

関連論文リスト

Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文参考訳（メタデータ） (2023-08-13T10:07:46Z)
Slideflow: Deep Learning for Digital Histopathology with Real-Time Whole-Slide Visualization [49.62449457005743]
われわれはSlideflowと呼ばれる病理組織学のための柔軟なディープラーニングライブラリを開発した。デジタル病理学のための幅広い深層学習手法をサポートしている。トレーニングされたモデルをデプロイするための、高速な全スライドインターフェースが含まれている。
論文参考訳（メタデータ） (2023-04-09T02:49:36Z)
Procedural Image Programs for Representation Learning [62.557911005179946]
我々は,2万プログラムからなる大規模なデータセットを用いて,多様な合成画像を生成する訓練を提案する。これらのプログラムは短いコードスニペットであり、変更が容易で、高速に実行することができる。提案したデータセットは、教師付きおよび教師なしの表現学習の両方に使用することができ、実際の画像と手続き的に生成された画像との事前学習のギャップを38%削減する。
論文参考訳（メタデータ） (2022-11-29T17:34:22Z)
Interactive Visual Feature Search [8.255656003475268]
視覚特徴探索(Visual Feature Search)は,任意のCNNに適応可能な,インタラクティブな可視化技術である。このツールを使うと、ユーザーは画像領域をハイライトし、最もよく似たモデル機能を持つデータセットから画像を検索できる。我々は,医療画像や野生生物の分類など,様々な応用実験を行うことで,モデル行動の異なる側面を解明する方法を実証する。
論文参考訳（メタデータ） (2022-11-28T04:39:03Z)
Automatic Image Content Extraction: Operationalizing Machine Learning in Humanistic Photographic Studies of Large Visual Archives [81.88384269259706]
本稿では,機械学習による大規模画像アーカイブの検索と解析のための自動画像コンテンツ抽出フレームワークを提案する。提案する枠組みは、人文科学と社会科学のいくつかの分野に適用できる。
論文参考訳（メタデータ） (2022-04-05T12:19:24Z)
Design of a Graphical User Interface for Few-Shot Machine Learning Classification of Electron Microscopy Data [0.23453441553817042]
我々は,Python ベースのグラフィカルユーザインタフェースを開発し,エンドユーザが数発の学習モデルのアウトプットを容易に実行し,視覚化できるようにする。このインターフェースは軽量で,ローカルあるいはWeb上でホストすることができる。
論文参考訳（メタデータ） (2021-07-21T23:02:33Z)
Data Augmentation for Meta-Learning [58.47185740820304]
メタ学習アルゴリズムは、各トレーニングステップでデータ、クエリデータ、タスクをサンプリングする。データ拡張は、クラス毎に利用可能な画像の数を増やすだけでなく、全く新しいクラス/タスクを生成するためにも使用できる。提案したメタ固有データ拡張は,数ショットの分類ベンチマークにおいて,メタラーナーの性能を著しく向上させる。
論文参考訳（メタデータ） (2020-10-14T13:48:22Z)
Guided interactive image segmentation using machine learning and color based data set clustering [0.16683739531034203]
本稿では,スーパーボクセルを用いた機械学習によるインタラクティブな画像セグメント化と,大規模データセットにおける類似色画像の自動識別のためのクラスタリング手法を組み合わせた新しい手法を提案する。本手法は, 生体画像や医用画像に有意な色変化が生じ, しばしば避けられない問題を解消する。
論文参考訳（メタデータ） (2020-05-15T17:25:48Z)
EXACT: A collaboration toolset for algorithm-aided annotation of images with annotation version control [7.6457287740201]
EXACTは、オンラインおよびオフラインで画像の協調的な学際的解析を可能にする。ソフトウェアは、スクリーニングモードでミトティックフィギュアをカウントするなど、多様なアプリケーションに適応することができる。すでに幅広いアノテーションタスクにうまく適用されています。
論文参考訳（メタデータ） (2020-04-30T06:07:21Z)
Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文参考訳（メタデータ） (2020-04-30T03:23:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。