論文の概要: FastPathology: An open-source platform for deep learning-based research
and decision support in digital pathology
- arxiv url: http://arxiv.org/abs/2011.06033v1
- Date: Wed, 11 Nov 2020 19:35:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:59:49.170818
- Title: FastPathology: An open-source platform for deep learning-based research
and decision support in digital pathology
- Title（参考訳）: FastPathology:デジタル病理学におけるディープラーニング研究と意思決定支援のためのオープンソースプラットフォーム
- Authors: Andr\'e Pedersen, Marit Valla, Anna M. Bofin, Javier P\'erez de
Frutos, Ingerid Reinertsen and Erik Smistad
- Abstract要約: 全体スライディングの顕微鏡画像を扱うためのオープンソースのプラットフォームはいくつかあるが、CNNモデルのデプロイをサポートするものはほとんどない。
FASTフレームワークとC++を使った新しいプラットフォームであるFastPathologyを開発しました。
WSIの読み込みと処理,CNNモデルのデプロイ,結果のリアルタイムインタラクティブな可視化などにおいて,メモリ使用量の最小化を実現している。
- 参考スコア（独自算出の注目度）: 0.678543866474958
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep convolutional neural networks (CNNs) are the current state-of-the-art
for digital analysis of histopathological images. The large size of whole-slide
microscopy images (WSIs) requires advanced memory handling to read, display and
process these images. There are several open-source platforms for working with
WSIs, but few support deployment of CNN models. These applications use
third-party solutions for inference, making them less user-friendly and
unsuitable for high-performance image analysis. To make deployment of CNNs
user-friendly and feasible on low-end machines, we have developed a new
platform, FastPathology, using the FAST framework and C++. It minimizes memory
usage for reading and processing WSIs, deployment of CNN models, and real-time
interactive visualization of results. Runtime experiments were conducted on
four different use cases, using different architectures, inference engines,
hardware configurations and operating systems. Memory usage for reading,
visualizing, zooming and panning a WSI were measured, using FastPathology and
three existing platforms. FastPathology performed similarly in terms of memory
to the other C++ based application, while using considerably less than the two
Java-based platforms. The choice of neural network model, inference engine,
hardware and processors influenced runtime considerably. Thus, FastPathology
includes all steps needed for efficient visualization and processing of WSIs in
a single application, including inference of CNNs with real-time display of the
results. Source code, binary releases and test data can be found online on
GitHub at https://github.com/SINTEFMedtek/FAST-Pathology/.
- Abstract（参考訳）: 深層畳み込みニューラルネットワーク(deep convolutional neural networks, cnns)は病理組織像のデジタル解析の最先端技術である。
大規模な全スライディング顕微鏡画像(WSI)は、これらの画像を読み、表示し、処理するために高度なメモリハンドリングを必要とする。
WSIを扱うためのオープンソースのプラットフォームはいくつかあるが、CNNモデルのデプロイをサポートするものはほとんどない。
これらのアプリケーションは推論にサードパーティのソリューションを使用するため、ユーザフレンドリで高性能な画像解析には適さない。
ローエンドマシン上でCNNをユーザフレンドリかつ実現可能にするため、我々はFastPathologyという新しいプラットフォームを開発し、FASTフレームワークとC++を使用しました。
wsisの読み書き、cnnモデルのデプロイ、結果のリアルタイムインタラクティブな可視化など、メモリ使用量を最小限に抑える。
ランタイム実験は、異なるアーキテクチャ、推論エンジン、ハードウェア構成、オペレーティングシステムの4つの異なるユースケースで実施された。
wsiの読み書き、可視化、ズーム、パンのメモリ使用量を、fastpathologyと3つの既存のプラットフォームを用いて測定した。
FastPathologyは、他のC++ベースのアプリケーションと同様のメモリで実行され、2つのJavaベースのプラットフォームよりもかなり少ない。
ニューラルネットワークモデル、推論エンジン、ハードウェア、プロセッサの選択はランタイムに大きな影響を与えた。
したがって、FastPathologyは単一のアプリケーションにおけるWSIの効率的な可視化と処理に必要なすべてのステップを含み、CNNと結果のリアルタイム表示を含む。
ソースコード、バイナリリリース、テストデータはgithubのhttps://github.com/sintefmedtek/fast-pathology/で見ることができる。
関連論文リスト
- DCP-NAS: Discrepant Child-Parent Neural Architecture Search for 1-bit
CNNs [53.82853297675979]
バイナリ重みとアクティベーションを備えた1ビット畳み込みニューラルネットワーク(CNN)は、リソース制限された組み込みデバイスの可能性を示している。
自然なアプローチの1つは、NASの計算とメモリコストを削減するために1ビットCNNを使用することである。
本稿では,1ビットCNNを効率的に探索するためにDCP-NAS(Disrepant Child-Parent Neural Architecture Search)を提案する。
論文 参考訳（メタデータ） (2023-06-27T11:28:29Z) - 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) - HyperSegNAS: Bridging One-Shot Neural Architecture Search with 3D
Medical Image Segmentation using HyperNet [51.60655410423093]
医用画像セグメンテーションのためのワンショットニューラルアーキテクチャサーチ(NAS)を実現するためにHyperSegNASを導入する。
従来のSOTA(State-of-the-art)セグメンテーションネットワークと比較して,HyperSegNASの方がパフォーマンスが高く,直感的なアーキテクチャが得られることを示す。
本手法は,MSD (Messical Decathlon) 課題の公開データセットを用いて評価し,SOTAの性能評価を行う。
論文 参考訳（メタデータ） (2021-12-20T16:21:09Z) - An Acceleration Method Based on Deep Learning and Multilinear Feature
Space [0.0]
本稿では,大規模CNNアーキテクチャからの学習を伝達するために,Multilinear Feature Space (MFS)法に基づく代替手法を提案する。
提案手法はCNNを用いて特徴マップを生成するが,複雑性低減手法として機能しない。
AMFCと呼ばれる本手法では,事前学習したCNNからの移動学習を用いて,新しいサンプル画像の分類時間を最小限に抑える。
論文 参考訳（メタデータ） (2021-10-16T23:49:12Z) - HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。
より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
論文 参考訳（メタデータ） (2021-06-13T18:55:23Z) - PocketNet: A Smaller Neural Network for 3D Medical Image Segmentation [0.0]
私たちは、パラメータの数の3%未満を使用しながら、従来のCNNに匹敵するセグメンテーション結果を達成するPocketNetと呼ばれる新しいCNNアーキテクチャを導き出します。
我々は,PocketNetが従来のCNNに匹敵するセグメンテーション結果を達成し,パラメータ数の3%未満を用いていることを示す。
論文 参考訳（メタデータ） (2021-04-21T20:10:30Z) - The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。
本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
論文 参考訳（メタデータ） (2021-01-29T07:46:39Z) - CNNs for JPEGs: A Study in Computational Cost [49.97673761305336]
畳み込みニューラルネットワーク(CNN)は過去10年間で驚くべき進歩を遂げてきた。
CNNはRGBピクセルから直接データの堅牢な表現を学習することができる。
近年,圧縮領域から直接学習できる深層学習手法が注目されている。
論文 参考訳（メタデータ） (2020-12-26T15:00:10Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - FNA++: Fast Network Adaptation via Parameter Remapping and Architecture
Search [35.61441231491448]
本稿では,シードネットワークのアーキテクチャとパラメータの両方を適応できるFNA++法を提案する。
実験では、FNA++をMobileNetV2に適用し、セマンティックセグメンテーション、オブジェクト検出、人間のポーズ推定のための新しいネットワークを得る。
FNA++の総計算コストは、SOTAセグメンテーションやNASアプローチよりも大幅に少ない。
論文 参考訳（メタデータ） (2020-06-21T10:03:34Z) - Fast Neural Network Adaptation via Parameter Remapping and Architecture
Search [35.61441231491448]
ディープニューラルネットワークは多くのコンピュータビジョンタスクにおいて顕著なパフォーマンスを達成する。
ほとんどの最新技術(SOTA)セマンティックセグメンテーションとオブジェクト検出アプローチは、バックボーンとしてイメージ分類用に設計されたニューラルネットワークアーキテクチャを再利用する。
しかし、大きな課題の1つは、画像Netによる検索空間表現の事前トレーニングが膨大な計算コストを発生させることである。
本稿では、シードネットワークのアーキテクチャとパラメータの両方を適応できる高速ニューラルネットワーク適応(FNA)手法を提案する。
論文 参考訳（メタデータ） (2020-01-08T13:45:15Z)
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。