論文の概要: SOS: Selective Objective Switch for Rapid Immunofluorescence Whole Slide
Image Classification
- arxiv url: http://arxiv.org/abs/2003.05080v1
- Date: Wed, 11 Mar 2020 02:08:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 14:41:17.256172
- Title: SOS: Selective Objective Switch for Rapid Immunofluorescence Whole Slide
Image Classification
- Title(参考訳): sos:迅速免疫蛍光全スライド画像分類のための選択的客観的スイッチ
- Authors: Sam Maksoud, Kun Zhao, Peter Hobson, Anthony Jennings, and Brian
Lovell
- Abstract要約: ダウンスケールWSIにおける予測の信頼性に基づいた高分解能処理の選択的利用法を提案する。
本法は, 自己免疫性肝疾患の診断に日常的に用いられている684 Liver-Kidney-Stomach免疫蛍光WSIを用いて検討した。
- 参考スコア(独自算出の注目度): 4.725159104363009
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The difficulty of processing gigapixel whole slide images (WSIs) in clinical
microscopy has been a long-standing barrier to implementing computer aided
diagnostic systems. Since modern computing resources are unable to perform
computations at this extremely large scale, current state of the art methods
utilize patch-based processing to preserve the resolution of WSIs. However,
these methods are often resource intensive and make significant compromises on
processing time. In this paper, we demonstrate that conventional patch-based
processing is redundant for certain WSI classification tasks where high
resolution is only required in a minority of cases. This reflects what is
observed in clinical practice; where a pathologist may screen slides using a
low power objective and only switch to a high power in cases where they are
uncertain about their findings. To eliminate these redundancies, we propose a
method for the selective use of high resolution processing based on the
confidence of predictions on downscaled WSIs --- we call this the Selective
Objective Switch (SOS). Our method is validated on a novel dataset of 684
Liver-Kidney-Stomach immunofluorescence WSIs routinely used in the
investigation of autoimmune liver disease. By limiting high resolution
processing to cases which cannot be classified confidently at low resolution,
we maintain the accuracy of patch-level analysis whilst reducing the inference
time by a factor of 7.74.
- Abstract(参考訳): 臨床顕微鏡におけるギガピクセル全体画像(WSI)の処理の難しさは,コンピュータ支援診断システムの実装において長年の障壁であった。
現代の計算資源はこの極めて大規模な計算を行うことができないため、現状ではパッチベースの処理を用いてWSIの解像度を保っている。
しかし、これらの手法はしばしば資源集約であり、処理時間に重大な妥協をもたらす。
本稿では,高分解能が少数のケースでのみ必要となる特定のwsi分類タスクに対して,従来のパッチベース処理が冗長であることを示す。
これは臨床で見られることを反映しており、病理医は低いパワーの目的を使ってスライドを映し出し、発見が不確かである場合にのみ高いパワーに切り替える。
このような冗長性を排除するため、我々は、スケールダウンしたWSIの予測の信頼性に基づいた高分解能処理の選択的使用法を提案し、これを選択目的スイッチ(SOS)と呼ぶ。
本法は, 自己免疫性肝疾患の診断に日常的に用いられている684 Liver-Kidney-Stomach免疫蛍光WSIを用いて検討した。
低解像度で自信を持って分類できない場合に高分解能処理を限定することにより、推定時間を7.74倍に抑えながら、パッチレベルの解析の精度を維持する。
関連論文リスト
- Super resolution of histopathological frozen sections via deep learning
preserving tissue structure [0.0]
病理組織学的凍結切片の超解像に対する新しいアプローチを提案する。
我々のディープラーニングアーキテクチャは、補間された画像と実際の画像の間の誤りを学習することに焦点を当てている。
既存の手法と比較して、構造類似度指数 (SSIM) とピーク信号-雑音比 (PSNR) の面で大幅に改善された。
提案手法は, 画像試料の高分解能を保ちながら, より高速な凍結断面積撮影を実現する大きな可能性を秘めている。
論文 参考訳(メタデータ) (2023-10-17T09:52:54Z) - LMBiS-Net: A Lightweight Multipath Bidirectional Skip Connection based
CNN for Retinal Blood Vessel Segmentation [0.0]
ブラディングアイの病気は、しばしば変化した網膜形態と相関し、眼底画像の網膜構造をセグメント化することによって臨床的に識別できる。
深層学習は、医用画像のセグメンテーションにおいて有望であるが、反復的な畳み込みとプール操作への依存は、エッジ情報の表現を妨げる可能性がある。
LMBiS-Net と呼ばれる軽量な画素レベルのCNNを網膜血管のセグメンテーションのために提案する。
論文 参考訳(メタデータ) (2023-09-10T09:03:53Z) - LDMRes-Net: Enabling Efficient Medical Image Segmentation on IoT and
Edge Platforms [9.626726110488386]
本稿では,IoTおよびエッジプラットフォーム上での医用画像のセグメンテーションに適した,軽量なデュアルマルチスケール残差ブロック型ニューラルネットワークを提案する。
LDMRes-Netは、非常に少ない学習可能なパラメータ(0.072M)で制限を克服し、リソース制約のあるデバイスに非常に適している。
論文 参考訳(メタデータ) (2023-06-09T10:34:18Z) - Hierarchical Transformer for Survival Prediction Using Multimodality
Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。
本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。
より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文 参考訳(メタデータ) (2022-11-29T23:47:56Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Less is More: Lighter and Faster Deep Neural Architecture for Tomato
Leaf Disease Classification [0.36700088931938835]
本研究は,トマト葉の病原体を検出するための,手軽な伝達学習に基づくアプローチを提案する。
効果的な前処理手法を用いて、照度補正による葉画像の高精細化を行い、分類を改良する。
提案アーキテクチャは99.30%の精度でモデルサイズ9.60MBと4.87M浮動小数点演算を実現している。
論文 参考訳(メタデータ) (2021-09-06T12:14:02Z) - A Novel Solution of an Elastic Net Regularization for Dementia Knowledge
Discovery using Deep Learning [10.839925851203786]
本稿では,Deep Learning Architecture による分類の精度の向上と処理時間を短縮することを目的とする。
提案システムは,分類と予測の精度を高めるために,畳み込みニューラルネットワーク(CNN)で構成されている。
さらに,提案手法は,平均で5%の分類精度を向上し,平均で3040秒の処理時間を短縮した。
論文 参考訳(メタデータ) (2021-08-21T11:53:25Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳(メタデータ) (2021-05-18T10:15:17Z) - Searching for Efficient Architecture for Instrument Segmentation in
Robotic Surgery [58.63306322525082]
ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。
我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
論文 参考訳(メタデータ) (2020-07-08T21:38:29Z) - Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。
我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文 参考訳(メタデータ) (2020-05-12T09:55:53Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。