論文の概要: Open source tools for management and archiving of digital microscopy
data to allow integration with patient pathology and treatment information
- arxiv url: http://arxiv.org/abs/2008.06837v1
- Date: Sun, 16 Aug 2020 04:28:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 11:59:52.952419
- Title: Open source tools for management and archiving of digital microscopy
data to allow integration with patient pathology and treatment information
- Title（参考訳）: 患者病理と治療情報の統合を可能にするデジタル顕微鏡データの管理とアーカイブのためのオープンソースツール
- Authors: Matloob Khushi, Georgina Edwards, Diego Alonso de Marcos, Jane E
Carpenter, J Dinny Graham and Christine L Clarke
- Abstract要約: Snapshot CreatorとNDPI-Splitterは、新しいオープンソースのJavaツールである。
彼らはデジタルスライドをより小さなサイズのファイルに変換し、さらなる処理を行う。
- 参考スコア（独自算出の注目度）: 0.19573380763700712
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Virtual microscopy includes digitisation of histology slides and the use of
computer technologies for complex investigation of diseases such as cancer.
However, automated image analysis, or website publishing of such digital
images, is hampered by their large file sizes. We have developed two Java based
open source tools: Snapshot Creator and NDPI-Splitter. Snapshot Creator
converts a portion of a large digital slide into a desired quality JPEG image.
The image is linked to the patients clinical and treatment information in a
customised open source cancer data management software (Caisis) in use at the
Australian Breast Cancer Tissue Bank (ABCTB) and then published on the ABCTB
website www.abctb.org.au using Deep Zoom open source technology. Using the
ABCTB online search engine, digital images can be searched by defining various
criteria such as cancer type, or biomarkers expressed. NDPI-Splitter splits a
large image file into smaller sections of TIFF images so that they can be
easily analysed by image analysis software such as Metamorph or Matlab.
NDPI-Splitter also has the capacity to filter out empty images. Snapshot
Creator and NDPI-Splitter are novel open source Java tools. They convert
digital slides into files of smaller size for further processing. In
conjunction with other open source tools such as Deep Zoom and Caisis, this
suite of tools is used for the management and archiving of digital microscopy
images, enabling digitised images to be explored and zoomed online. Our online
image repository also has the capacity to be used as a teaching resource. These
tools also enable large files to be sectioned for image analysis.
- Abstract（参考訳）: 仮想顕微鏡には、組織学スライドのデジタル化と、がんなどの疾患の複雑な調査にコンピュータ技術の利用が含まれる。
しかし、そのようなデジタル画像の自動解析やウェブサイトの公開は、ファイルサイズが大きくなることで妨げられている。
我々は、snapshot creatorとndpi-splitterという2つのjavaベースのオープンソースツールを開発した。
Snapshot Creatorは、大きなデジタルスライドの一部を所望の品質JPEGイメージに変換する。
この画像は、オーストラリア乳癌組織バンク(ABCTB)で使用されているカスタマイズされたオープンソース癌データ管理ソフトウェア(Caisis)の患者の臨床および治療情報とリンクされ、その後Deep Zoomオープンソース技術を使用してABCTBのウェブサイトwww.abctb.org.auに公開された。
ABCTBオンライン検索エンジンを用いて、がんの種類やバイオマーカーなどの様々な基準を定義して、デジタル画像を検索することができる。
NDPI-Splitterは、大きな画像ファイルをTIFF画像の小さな部分に分割し、MetamorphやMatlabなどの画像解析ソフトウェアで容易に解析できるようにしている。
NDPI-Splitterは空の画像をフィルタリングする機能も備えている。
Snapshot CreatorとNDPI-Splitterは、新しいオープンソースのJavaツールである。
デジタルスライドをより小さなサイズのファイルに変換し、さらなる処理を行う。
Deep ZoomやCaisisといった他のオープンソースツールとともに、このツールスイートはデジタル顕微鏡画像の管理とアーカイブに使われ、デジタル化された画像をオンラインで探索およびズームすることができる。
当社のオンラインイメージリポジトリにも,教育リソースとして使用できる能力があります。
これらのツールは、画像分析のために大きなファイルを分割することもできる。
関連論文リスト
- UniCompress: Enhancing Multi-Data Medical Image Compression with Knowledge Distillation [59.3877309501938]
Inlicit Neural Representation (INR) ネットワークは、その柔軟な圧縮比のため、顕著な汎用性を示している。
周波数領域情報を含むコードブックをINRネットワークへの事前入力として導入する。
これにより、INRの表現力が向上し、異なる画像ブロックに対して特異な条件付けが提供される。
論文 参考訳（メタデータ） (2024-05-27T05:52:13Z) - MISC: Ultra-low Bitrate Image Semantic Compression Driven by Large Multimodal Model [78.4051835615796]
本稿では,マルチモーダル画像セマンティック圧縮法を提案する。
画像の意味情報を抽出するLMMエンコーダと、その意味に対応する領域を特定するマップエンコーダと、非常に圧縮されたビットストリームを生成する画像エンコーダと、前記情報に基づいて画像を再構成するデコーダとからなる。
知覚50%を節約しながら最適な一貫性と知覚結果を達成することができ、これは次世代のストレージと通信において強力な可能性を持つ。
論文 参考訳（メタデータ） (2024-02-26T17:11:11Z) - Deep learning based Image Compression for Microscopy Images: An
Empirical Study [3.915183869199319]
本研究では,古典的および深層学習に基づく画像圧縮法とその深層学習に基づく画像処理モデルへの影響について分析する。
このような所望の方法で画像を圧縮するには、複数の古典的損失画像圧縮技術と、複数のAIベースの圧縮モデルを比較する。
その結果、AIベースの圧縮技術は従来の圧縮技術よりも優れており、2Dケースでは下流のラベルなしタスクに最小限の影響を及ぼすことがわかった。
論文 参考訳（メタデータ） (2023-11-02T16:00:32Z) - CompaCT: Fractal-Based Heuristic Pixel Segmentation for Lossless Compression of High-Color DICOM Medical Images [0.0]
医用画像は、医師による正確な分析のために、ピクセル単位の12ビットの高色深度を必要とする。
フィルタリングによる画像の標準圧縮はよく知られているが、具体化されていない実装のため、医療領域ではまだ最適ではない。
本研究では,動的に拡張されたデータ処理のための画素濃度の空間的特徴とパターンをターゲットとした医用画像圧縮アルゴリズムCompaCTを提案する。
論文 参考訳（メタデータ） (2023-08-24T21:43:04Z) - Convolutional Neural Network (CNN) to reduce construction loss in JPEG
compression caused by Discrete Fourier Transform (DFT) [0.0]
畳み込みニューラルネットワーク(CNN)は他の多くのディープニューラルネットワークよりも注目されている。
本研究では,オートエンコーダを用いた効率的な画像圧縮手法を提案する。
論文 参考訳（メタデータ） (2022-08-26T12:46:16Z) - CapillaryX: A Software Design Pattern for Analyzing Medical Images in
Real-time using Deep Learning [0.688204255655161]
本稿では,医療画像のリアルタイム解析をローカルかつ並列に行うことができる計算アーキテクチャを提案する。
我々は,微小循環画像中の血管の定量化という,特定の医学・工業ケーススタディに焦点を当てた。
その結果,本システムはシリアルシステムに比べて約78%高速であり,マスタスレーブ並列システムアーキテクチャよりも12%高速であることがわかった。
論文 参考訳（メタデータ） (2022-04-13T18:47:04Z) - Learning-Driven Lossy Image Compression; A Comprehensive Survey [3.1761172592339375]
本稿では、機械学習(ML)アーキテクチャを用いて、画像圧縮の損失を主に生かした最近の技術について調査することを目的とする。
すべてのアルゴリズムをアーキテクチャに基づいて複数のグループに分けます。
研究者の様々な発見が強調され、研究者の今後の方向性が示唆されている。
論文 参考訳（メタデータ） (2022-01-23T12:11:31Z) - Analyzing and Mitigating JPEG Compression Defects in Deep Learning [69.04777875711646]
本稿では,JPEG圧縮が共通タスクやデータセットに与える影響を統一的に検討する。
高圧縮の一般的なパフォーマンス指標には大きなペナルティがあることが示される。
論文 参考訳（メタデータ） (2020-11-17T20:32:57Z) - A DICOM Framework for Machine Learning Pipelines against Real-Time
Radiology Images [50.222197963803644]
Nifflerは、研究クラスタでの機械学習パイプラインの実行を可能にする統合フレームワークである。
ニフラーはDigital Imaging and Communications in Medicine (DICOM)プロトコルを使用して画像データの取得と保存を行っている。
我々は,そのアーキテクチャと3つのユースケースを提示する: リアルタイムに画像から下大静脈フィルターを検出すること,スキャナ利用の同定,およびスキャナクロックの校正。
論文 参考訳（メタデータ） (2020-04-16T21:06:49Z) - TorchIO: A Python library for efficient loading, preprocessing,
augmentation and patch-based sampling of medical images in deep learning [68.8204255655161]
我々はTorchIOというオープンソースのPythonライブラリを紹介し、ディープラーニングのための医療画像の効率的なロード、前処理、拡張、パッチベースのサンプリングを可能にする。
TorchIOはPyTorchのスタイルに従い、標準的な医用画像処理ライブラリを統合して、ニューラルネットワークのトレーニング中に画像を効率的に処理する。
Pythonを使わずに、画像ファイルに変換を適用できるコマンドライン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） (2020-03-09T13:36:16Z) - Discernible Image Compression [124.08063151879173]
本稿では、外観と知覚の整合性の両方を追求し、圧縮画像を作成することを目的とする。
エンコーダ・デコーダ・フレームワークに基づいて,事前学習したCNNを用いて,オリジナル画像と圧縮画像の特徴を抽出する。
ベンチマーク実験により,提案手法を用いて圧縮した画像は,その後の視覚認識・検出モデルでもよく認識できることが示された。
論文 参考訳（メタデータ） (2020-02-17T07:35:08Z)
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。