論文の概要: Fast and Scalable Image Search For Histology

• arxiv url: http://arxiv.org/abs/2107.13587v1
• Date: Wed, 28 Jul 2021 18:15:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-30 13:23:41.713125
• Title: Fast and Scalable Image Search For Histology
• Title（参考訳）: ヒストロジーのための高速でスケーラブルな画像検索
• Authors: Chengkuan Chen, Ming Y. Lu, Drew F. K. Williamson, Tiffany Y. Chen, Andrew J. Schaumberg, Faisal Mahmood
• Abstract要約: 同様の病理画像検索は、スライド画像全体のギガピクセルの大規模な履歴リポジトリをマージする機会を提供する。 Fast Image Search for Histopathology (FISH)は、画像データベースのサイズに依存しない、無限にスケーラブルな検索速度を実現する。 FISHは自己教師型ディープラーニングを用いてWSIとVan Emde Boasツリーから有意義な表現をエンコードして高速検索を行う。
• 参考スコア（独自算出の注目度）: 4.622876656735859
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The expanding adoption of digital pathology has enabled the curation of large repositories of histology whole slide images (WSIs), which contain a wealth of information. Similar pathology image search offers the opportunity to comb through large historical repositories of gigapixel WSIs to identify cases with similar morphological features and can be particularly useful for diagnosing rare diseases, identifying similar cases for predicting prognosis, treatment outcomes, and potential clinical trial success. A critical challenge in developing a WSI search and retrieval system is scalability, which is uniquely challenging given the need to search a growing number of slides that each can consist of billions of pixels and are several gigabytes in size. Such systems are typically slow and retrieval speed often scales with the size of the repository they search through, making their clinical adoption tedious and are not feasible for repositories that are constantly growing. Here we present Fast Image Search for Histopathology (FISH), a histology image search pipeline that is infinitely scalable and achieves constant search speed that is independent of the image database size while being interpretable and without requiring detailed annotations. FISH uses self-supervised deep learning to encode meaningful representations from WSIs and a Van Emde Boas tree for fast search, followed by an uncertainty-based ranking algorithm to retrieve similar WSIs. We evaluated FISH on multiple tasks and datasets with over 22,000 patient cases spanning 56 disease subtypes. We additionally demonstrate that FISH can be used to assist with the diagnosis of rare cancer types where sufficient cases may not be available to train traditional supervised deep models. FISH is available as an easy-to-use, open-source software package (https://github.com/mahmoodlab/FISH).
• Abstract（参考訳）: デジタル病理学の普及により、豊富な情報を含むスライド画像(WSI)の大規模なリポジトリのキュレーションが可能になった。 類似の病理画像検索は、gigapixel wsisの巨大な歴史的リポジトリを掘り起こして、同様の形態的特徴を持つ症例を同定する機会を提供し、稀な疾患の診断、予後予測、治療結果の予測、臨床試験の成功の可能性に関する類似症例の特定に特に有用である。 wsi の検索・検索システムを開発する上で重要な課題はスケーラビリティである。数十億のピクセルと数ギガバイトのサイズからなるスライドを検索する必要性が増していることを考えれば,これはユニークな課題である。 このようなシステムは典型的には遅く、検索速度は検索するリポジトリのサイズとともにスケールすることが多く、臨床導入は面倒で、常に成長しているリポジトリでは実現できない。 本稿では,画像データベースサイズに依存せず,かつ詳細な注釈を必要とせず,一定の検索速度を実現する,病理組織学画像検索パイプラインであるfish(fast image search for histopathology)を提案する。 FISHは自己教師型ディープラーニングを用いてWSIとVan Emde Boasツリーから有意義な表現をエンコードして高速検索を行う。 FISHを複数のタスクとデータセットで評価し,56の疾患サブタイプにまたがる患者は22,000人以上であった。 また, FISHは, 従来の教師付き深層モデルの訓練に十分な症例が得られない稀な癌の診断に有効であることを示す。 FISHは使いやすいオープンソースソフトウェアパッケージ(https://github.com/mahmoodlab/FISH)として利用可能である。

関連論文リスト

• Efficient Medical Image Retrieval Using DenseNet and FAISS for BIRADS Classification [0.0]
  本稿では,DenseNetとFAISSを用いた医用画像検索手法を提案する。 DenseNetは複雑な医療画像の特徴抽出に適している。 FAISSは大規模データセットにおける高次元データの効率的な処理を可能にする。
  論文  参考訳（メタデータ） (2024-11-03T08:14:31Z)
• Semantic Segmentation Based Quality Control of Histopathology Whole Slide Images [2.953447779233234]
  We developed a software pipeline for quality control (QC) of histopathology whole slide images (WSIs)。 異なるレベルのぼかし、組織領域、組織折り、ペンマークなど、さまざまな領域を区分する。 TCGAは、28の臓器から11,000以上の病理像を含むWSIデータセットとして最大である。
  論文  参考訳（メタデータ） (2024-10-04T10:03:04Z)
• A Short Survey on Set-Based Aggregation Techniques for Single-Vector WSI Representation in Digital Pathology [0.0]
  デジタル病理学は、スライド画像全体(WSI)としての組織サンプルのデジタル化、保存、分析を可能にすることによって、病理学の分野に革命をもたらす WSIは、組織サンプルの複雑な詳細をキャプチャするギガピクセルファイルであり、診断と研究目的のための豊富な情報ソースを提供する。 その巨大さのため、これらの画像を1つのコンパクトベクトルとして表現することは、多くの計算病理学的タスクに不可欠である。
  論文  参考訳（メタデータ） (2024-09-06T20:56:25Z)
• Analysis and Validation of Image Search Engines in Histopathology [1.2431249807060922]
  全スライド画像(WSI)は、ガラススライドに装着された組織標本の詳細なデジタル表現である。 WSI と WSI のマッチングは、患者マッチングのクリティカルな方法として機能する。 視覚単語袋(BoVW)、ヨッティクセル(Yottixel)、SISH(SISH)、RetCCL(RetCCL)など4種類の検索手法の広範な解析と検証を行った。
  論文  参考訳（メタデータ） (2024-01-06T18:17:55Z)
• 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)
• 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)
• 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)
• A Deep Reinforcement Learning Framework for Rapid Diagnosis of Whole Slide Pathological Images [4.501311544043762]
  本稿では,ネットワーク推論に要する時間を大幅に削減できる,弱教師付き深層強化学習フレームワークを提案する。 ニューラルネットワークを用いて,強化学習エージェントの探索モデルと決定モデルを構築する。 実験結果から,提案手法は画素レベルのアノテーションを使わずに,スライド画像全体の高速な推測と精度の予測が可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-05-05T14:20:29Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。