論文の概要: HistoCartography: A Toolkit for Graph Analytics in Digital Pathology

• arxiv url: http://arxiv.org/abs/2107.10073v1
• Date: Wed, 21 Jul 2021 13:34:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-22 14:08:19.749358
• Title: HistoCartography: A Toolkit for Graph Analytics in Digital Pathology
• Title（参考訳）: HistoCartography: デジタル病理におけるグラフ解析のためのツールキット
• Authors: Guillaume Jaume, Pushpak Pati, Valentin Anklin, Antonio Foncubierta, Maria Gabrani
• Abstract要約: HistoCartographyは、計算病理学におけるグラフ分析を容易にするために必要な前処理、機械学習、説明可能性ツールを備えた標準化されたpython APIである。 画像の種類や病理組織学のタスクにまたがる複数のデータセットの計算時間と性能をベンチマークした。
• 参考スコア（独自算出の注目度）: 0.6299766708197883
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Advances in entity-graph based analysis of histopathology images have brought in a new paradigm to describe tissue composition, and learn the tissue structure-to-function relationship. Entity-graphs offer flexible and scalable representations to characterize tissue organization, while allowing the incorporation of prior pathological knowledge to further support model interpretability and explainability. However, entity-graph analysis requires prerequisites for image-to-graph translation and knowledge of state-of-the-art machine learning algorithms applied to graph-structured data, which can potentially hinder their adoption. In this work, we aim to alleviate these issues by developing HistoCartography, a standardized python API with necessary preprocessing, machine learning and explainability tools to facilitate graph-analytics in computational pathology. Further, we have benchmarked the computational time and performance on multiple datasets across different imaging types and histopathology tasks to highlight the applicability of the API for building computational pathology workflows.
• Abstract（参考訳）: 組織病理画像のエンティティグラフに基づく解析の進歩は、組織構成を記述し、組織構造と機能の関係を学ぶ新しいパラダイムをもたらした。 エンティティグラフは、組織組織を特徴付けるために柔軟でスケーラブルな表現を提供し、また、事前の病理学知識を組み込むことにより、モデルの解釈可能性と説明可能性をさらに支援できる。 しかし、エンティティグラフ分析には、画像からグラフへの翻訳と、グラフ構造データに適用される最先端機械学習アルゴリズムの知識の前提条件が必要である。 本研究では, 計算病理学におけるグラフ解析を容易にするために, 必要な前処理, 機械学習, 説明ツールを備えた標準python api であるhistocartography を開発した。 さらに,様々な撮像型と病理組織学タスクにまたがる複数のデータセットの計算時間と性能をベンチマークし,計算病理ワークフロー構築のためのapiの適用性を強調した。

関連論文リスト

• Interpretability analysis on a pathology foundation model reveals biologically relevant embeddings across modalities [1.4602325266401266]
  病理基盤モデルから得られたViT-Smallエンコーダの特徴を2つのデータセットに応用して解析する。 我々は、モデル埋め込み空間内での遺伝子発現とともに、細胞および組織形態の解釈可能な表現を発見する。
  論文  参考訳（メタデータ） (2024-07-15T15:03:01Z)
• Towards a text-based quantitative and explainable histopathology image analysis [4.064178811354613]
  テキストベースの定量的・説明可能な病理画像解析を提案し,これをTQxと呼ぶ。 検索した単語は、病理像を定量化し、理解可能な特徴埋め込みを生成するために使用される。 その結果、TQxは、計算病理学における一般的な視覚モデルに匹敵する病理像を定量化し、分析できることを示した。
  論文  参考訳（メタデータ） (2024-07-10T04:33:43Z)
• Knowledge-enhanced Visual-Language Pretraining for Computational Pathology [68.6831438330526]
  本稿では,公共資源から収集した大規模画像テキストペアを利用した視覚的表現学習の課題について考察する。 ヒト32組織から病理診断を必要とする4,718の疾患に対して50,470個の情報属性からなる病理知識ツリーをキュレートする。
  論文  参考訳（メタデータ） (2024-04-15T17:11:25Z)
• From Pixels to Insights: A Survey on Automatic Chart Understanding in the Era of Large Foundation Models [98.41645229835493]
  グラフ形式のデータの可視化は、データ分析において重要な役割を担い、重要な洞察を提供し、情報的な意思決定を支援する。 大規模言語モデルのような大規模な基盤モデルは、様々な自然言語処理タスクに革命をもたらした。 本研究は,自然言語処理,コンピュータビジョン,データ解析の分野における研究者や実践者の包括的資源として機能する。
  論文  参考訳（メタデータ） (2024-03-18T17:57:09Z)
• Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• Kartezio: Evolutionary Design of Explainable Pipelines for Biomedical Image Analysis [0.0]
  本稿では,透過的で容易に解釈可能な画像処理パイプラインを生成する計算戦略であるKartezioを紹介する。 それによって生成されたパイプラインは、インスタンスセグメンテーションタスクにおける最先端のDeep Learningアプローチに匹敵する精度を示す。 また、実世界の4つのユースケースにおけるセマンティックスとインスタンスセグメンテーションの問題を解決するためにKartezioをデプロイしました。
  論文  参考訳（メタデータ） (2023-02-28T17:02:35Z)
• Automated Coronary Arteries Labeling Via Geometric Deep Learning [13.515293812745343]
  血管造影検査から得られた3次元座標データによく適合する直感的なグラフ表現法を提案する。 その後、幾何学的深層学習を用いて対象別グラフの分析を試みる。 提案モデルでは,141例の専門的アノテートラベルを用いて,各冠動脈セグメントの表現を学習し,訓練データにおける解剖学的変動の影響を捉えた。
  論文  参考訳（メタデータ） (2022-12-01T09:31:08Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• A Survey on Graph-Based Deep Learning for Computational Histopathology [36.58189530598098]
  我々は、デジタル病理と生検画像パッチの分析に機械学習と深層学習の利用が急速に拡大しているのを目撃した。 畳み込みニューラルネットワークを用いたパッチワイド機能に関する従来の学習は、グローバルなコンテキスト情報をキャプチャしようとする際のモデルを制限する。 本稿では,グラフに基づく深層学習の概念的基盤を提供し,腫瘍の局在と分類,腫瘍浸潤とステージング,画像検索,生存予測の現在の成功について論じる。
  論文  参考訳（メタデータ） (2021-07-01T07:50:35Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)

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。