論文の概要: EasierPath: An Open-source Tool for Human-in-the-loop Deep Learning of Renal Pathology

• arxiv url: http://arxiv.org/abs/2007.13952v1
• Date: Tue, 28 Jul 2020 02:21:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 02:47:50.325189
• Title: EasierPath: An Open-source Tool for Human-in-the-loop Deep Learning of Renal Pathology
• Title（参考訳）: EasierPath: 腎病理の深層学習のためのオープンソースツール
• Authors: Zheyu Zhu, Yuzhe Lu, Ruining Deng, Haichun Yang, Agnes B. Fogo, Yuankai Huo
• Abstract要約: 我々はEasierPathを開発した。EasierPathは、人間の医師とディープラーニングアルゴリズムを統合し、効率的な病理画像定量化をループとして実現するオープンソースツールである。 大規模糸球体をループ内効率良く(2ループ)硬化させる方法を提案する。 EasierPathソフトウェアは、大規模な糸球体プロトタイピングを可能にするためにオープンソースとしてリリースされた。
• 参考スコア（独自算出の注目度）: 4.808118749897574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Considerable morphological phenotyping studies in nephrology have emerged in the past few years, aiming to discover hidden regularities between clinical and imaging phenotypes. Such studies have been largely enabled by deep learning based image analysis to extract sparsely located targeting objects (e.g., glomeruli) on high-resolution whole slide images (WSI). However, such methods need to be trained using labor-intensive high-quality annotations, ideally labeled by pathologists. Inspired by the recent "human-in-the-loop" strategy, we developed EasierPath, an open-source tool to integrate human physicians and deep learning algorithms for efficient large-scale pathological image quantification as a loop. Using EasierPath, physicians are able to (1) optimize the recall and precision of deep learning object detection outcomes adaptively, (2) seamlessly support deep learning outcomes refining using either our EasierPath or prevalent ImageScope software without changing physician's user habit, and (3) manage and phenotype each object with user-defined classes. As a user case of EasierPath, we present the procedure of curating large-scale glomeruli in an efficient human-in-the-loop fashion (with two loops). From the experiments, the EasierPath saved 57 % of the annotation efforts to curate 8,833 glomeruli during the second loop. Meanwhile, the average precision of glomerular detection was leveraged from 0.504 to 0.620. The EasierPath software has been released as open-source to enable the large-scale glomerular prototyping. The code can be found in https://github.com/yuankaihuo/EasierPath
• Abstract（参考訳）: 腎症における形態学的表現型の研究はここ数年で登場し、臨床と画像の表現型の間の隠れた規則性の発見を目的としている。 このような研究は、ディープラーニングに基づく画像解析によって、高解像度全スライド画像(WSI)上にわずかに配置された対象物(例えば、グロメリ)を抽出するために、主に有効である。 しかし、そのような方法は、病理学者が理想的にラベル付けした、労働集約型の高品質なアノテーションを使って訓練する必要がある。 EasierPathは、人間の医師とディープラーニングアルゴリズムを統合するオープンソースのツールで、ループとしての大規模病理画像定量化を効率的に行う。 EasierPathを用いて、医師は(1)ディープラーニングオブジェクト検出結果のリコールと精度を適応的に最適化し、(2)医師のユーザ習慣を変えることなく、EasierPathまたは一般的なImageScopeソフトウェアを用いてディープラーニング結果の精錬をシームレスに支援し、(3)各オブジェクトをユーザ定義クラスで管理・表現できる。 EasierPathのユーザとして、大規模な糸球体を効率よく(ループを2つのループで)培養する手順を提案する。 実験の結果、EasierPathはアノテーションの57%を節約し、第2ループで8,833個の糸球体を治療した。 一方、粒子検出の平均精度は0.504から0.620に向上した。 easierpathソフトウェアは、大規模な糸球体プロトタイピングを可能にするオープンソースとしてリリースされた。 コードはhttps://github.com/yuankaihuo/easierpathにある。

関連論文リスト

• Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
  我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。 提案手法は, 監視対象の性能を超過する。
  論文  参考訳（メタデータ） (2024-03-25T17:40:32Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Democratizing Pathological Image Segmentation with Lay Annotators via Molecular-empowered Learning [20.11220024755348]
  レイアノテータの部分ラベルを用いた多クラス細胞セグメンテーションのための分子動力学学習手法を提案する。 分子インフォームドアノテーションを用いてF1=0.8496を達成した。 本手法は,病的セグメンテーションの深部モデルの開発をライアノテータレベルまで民主化する。
  論文  参考訳（メタデータ） (2023-05-31T16:54:47Z)
• Data Efficient Contrastive Learning in Histopathology using Active Sampling [0.0]
  ディープラーニングアルゴリズムは、デジタル病理学において堅牢な定量的分析を提供することができる。 これらのアルゴリズムは大量の注釈付きトレーニングデータを必要とする。 アドホックなプリテキストタスクを用いて特徴を学習するための自己教師付き手法が提案されている。 そこで本研究では,小規模なプロキシネットワークを用いたトレーニングセットから情報的メンバを積極的に抽出する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-28T18:51:22Z)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• Evaluation of Deep Learning Topcoders Method for Neuron Individualization in Histological Macaque Brain Section [0.0]
  神経学的データに基づく細胞識別を行うためのアンサンブル深層学習アルゴリズムを提案する。 提案手法は, 平均検出精度0.93で, 物体レベルでも画素レベルでも, 神経細胞のセグメンテーションに成功したことを示唆する。
  論文  参考訳（メタデータ） (2021-11-10T16:38:35Z)
• Pathological Analysis of Blood Cells Using Deep Learning Techniques [0.0]
  血液細胞像を様々なカテゴリに分類するニューラルネットワークが提案されている。 提案したモデルの性能は、既存の標準アーキテクチャよりも優れており、様々な研究者によってなされている。
  論文  参考訳（メタデータ） (2021-11-05T05:37:10Z)
• Scale Normalized Image Pyramids with AutoFocus for Object Detection [75.71320993452372]
  スケール正規化画像ピラミッド(SNIP)が生成され、人間の視覚と同様に、異なるスケールで固定されたサイズ範囲内のオブジェクトにのみ参加する。 本研究では,オブジェクトを含む可能性のある固定サイズのサブリージョンのみで動作する,効率的な空間サブサンプリング手法を提案する。 結果のアルゴリズムはAutoFocusと呼ばれ、SNIPを使用する場合の推論では2.5～5倍のスピードアップとなる。
  論文  参考訳（メタデータ） (2021-02-10T18:57:53Z)
• Self supervised contrastive learning for digital histopathology [0.0]
  我々はSimCLRと呼ばれる対照的な自己教師型学習手法を用いて、自然シーン画像の最先端結果を得た。 異なる種類の染色特性と分解特性とを組み合わせることで,学習した特徴の質が向上することがわかった。 学習した機能に基づいてトレーニングされた線形分類器は、デジタル病理学データセットで事前トレーニングされたネットワークが、ImageNet事前トレーニングされたネットワークよりも優れたパフォーマンスを示すことを示している。
  論文  参考訳（メタデータ） (2020-11-27T19:18:45Z)
• LRTD: Long-Range Temporal Dependency based Active Learning for Surgical Workflow Recognition [67.86810761677403]
  本稿では,費用対効果の高い手術ビデオ解析のための新しい能動的学習法を提案する。 具体的には,非局所的再帰的畳み込みネットワーク (NL-RCNet) を提案する。 手術ワークフロー認識タスクを実行することで,大規模な手術ビデオデータセット(Cholec80)に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2020-04-21T09:21:22Z)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)

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。