論文の概要: Scope2Screen: Focus+Context Techniques for Pathology Tumor Assessment in
Multivariate Image Data
- arxiv url: http://arxiv.org/abs/2110.04875v1
- Date: Sun, 10 Oct 2021 18:34:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-15 12:26:39.226301
- Title: Scope2Screen: Focus+Context Techniques for Pathology Tumor Assessment in
Multivariate Image Data
- Title(参考訳): Scope2Screen:多変量画像データにおける病理診断のためのフォーカス+コンテキスト技術
- Authors: Jared Jessup (1 and 2), Robert Krueger (1 and 2 and 3), Simon Warchol
(2), John Hoffer (3), Jeremy Muhlich (3), Cecily C. Ritch (4), Giorgio Gaglia
(4), Shannon Coy (4), Yu-An Chen (3), Jia-Ren Lin (3), Sandro Santagata (4),
Peter K. Sorger (3), Hanspeter Pfister (1) ((1) Robert Krueger and Jared
Jessup contributed equally to this work, (2) School of Engineering and
Applied Sciences, Harvard University, (3) Laboratory of Systems Pharmacology,
Harvard Medical School, (4) Brigham and Women's Hospital, Harvard Medical
School)
- Abstract要約: Scope2Screenは、全スライディング、ハイプレックス、組織像のフォーカス+コンテキスト探索とアノテーションのためのスケーラブルなソフトウェアシステムである。
我々のアプローチは、数百万のセルを含む1チャンネルあたり109ピクセル以上の100GBの画像を分析するためにスケールする。
単細胞および組織レベルで機能する対話型レンズ技術を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inspection of tissues using a light microscope is the primary method of
diagnosing many diseases, notably cancer. Highly multiplexed tissue imaging
builds on this foundation, enabling the collection of up to 60 channels of
molecular information plus cell and tissue morphology using antibody staining.
This provides unique insight into disease biology and promises to help with the
design of patient-specific therapies. However, a substantial gap remains with
respect to visualizing the resulting multivariate image data and effectively
supporting pathology workflows in digital environments on screen. We,
therefore, developed Scope2Screen, a scalable software system for focus+context
exploration and annotation of whole-slide, high-plex, tissue images. Our
approach scales to analyzing 100GB images of 10^9 or more pixels per channel,
containing millions of cells. A multidisciplinary team of visualization
experts, microscopists, and pathologists identified key image exploration and
annotation tasks involving finding, magnifying, quantifying, and organizing
ROIs in an intuitive and cohesive manner. Building on a scope2screen metaphor,
we present interactive lensing techniques that operate at single-cell and
tissue levels. Lenses are equipped with task-specific functionality and
descriptive statistics, making it possible to analyze image features, cell
types, and spatial arrangements (neighborhoods) across image channels and
scales. A fast sliding-window search guides users to regions similar to those
under the lens; these regions can be analyzed and considered either separately
or as part of a larger image collection. A novel snapshot method enables linked
lens configurations and image statistics to be saved, restored, and shared. We
validate our designs with domain experts and apply Scope2Screen in two case
studies involving lung and colorectal cancers to discover cancer-relevant image
features.
- Abstract(参考訳): 光顕微鏡による組織検査は、多くの疾患、特に癌を診断する主要な方法である。
高多重組織イメージングはこの基盤の上に構築されており、最大60チャンネルの分子情報と抗体染色を用いた細胞および組織形態の収集を可能にする。
これは疾患生物学に独自の洞察を与え、患者固有の治療法の設計に役立てることを約束する。
しかし、結果として生じる多変量画像データの可視化と、スクリーン上のデジタル環境における病理ワークフローの効果的サポートに関して、大きなギャップが残っている。
そこで我々は,フォーカス+コンテキスト探索のためのスケーラブルなソフトウェアシステムである scope2screen を開発した。
提案手法は, 数百万セルを含む1チャネルあたり10^9以上の100GBの画像を解析する。
可視化の専門家、マイクロスコピスト、病理学者の多学際チームは、roisの発見、拡大、定量化、組織化を含む重要な画像探索とアノテーションタスクを直感的かつ凝集的な方法で特定した。
scope2screenのメタファーに基づいて,単細胞および組織レベルでのインタラクティブレンズ技術を提案する。
レンズはタスク固有の機能と記述統計を備えており、画像の特徴、セルタイプ、空間配置(近隣)を画像チャンネルやスケールで分析することができる。
高速なスライドウインドウ検索は、レンズの下にあるものに似た領域にユーザーを誘導し、これらの領域を別々に分析し、より大きな画像収集の一部として考慮することができる。
新たなスナップショット手法により、リンクされたレンズ構成と画像統計情報を保存、復元、共有することができる。
肺がんと大腸癌の2つの症例にScop2Screenを応用し, がん関連画像の特徴について検討した。
関連論文リスト
- FMDNN: A Fuzzy-guided Multi-granular Deep Neural Network for Histopathological Image Classification [40.94024666952439]
ファジィ誘導多粒性ディープニューラルネットワーク(FMDNN)を提案する。
病理学者の多粒性診断アプローチに触発され, 粗さ, 培地, 微粒度における細胞構造の特徴抽出を行った。
ファジィ誘導型クロスアテンションモジュールは、普遍的なファジィ特徴を多粒性特徴へ導く。
論文 参考訳(メタデータ) (2024-07-22T00:46:15Z) - Fluorescent Neuronal Cells v2: Multi-Task, Multi-Format Annotations for
Deep Learning in Microscopy [44.62475518267084]
このデータセットは、歯状神経細胞の核と細胞質が多様なマーカーで染色される3つのイメージコレクションを含んでいる。
画像の他に、セマンティックセグメンテーション、オブジェクト検出、カウントなど、いくつかの学習タスクに対して、地平のアノテーションを提供する。
論文 参考訳(メタデータ) (2023-07-26T15:14:10Z) - Cross-modulated Few-shot Image Generation for Colorectal Tissue
Classification [58.147396879490124]
XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。
我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
論文 参考訳(メタデータ) (2023-04-04T17:50:30Z) - Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳(メタデータ) (2023-03-15T14:00:11Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳(メタデータ) (2023-03-01T23:37:45Z) - PCRLv2: A Unified Visual Information Preservation Framework for
Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。
また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。
提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
論文 参考訳(メタデータ) (2023-01-02T17:47:27Z) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳(メタデータ) (2022-11-12T05:39:17Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳(メタデータ) (2022-02-27T02:19:09Z) - Increasing a microscope's effective field of view via overlapped imaging
and machine learning [4.23935174235373]
この研究は、高効率自動検体分析のために単一のセンサー上で複数の独立した視野を重畳するマルチレンズ顕微鏡イメージングシステムを示す。
論文 参考訳(メタデータ) (2021-10-10T22:52:36Z) - Microscopic fine-grained instance classification through deep attention [7.50282814989294]
限られたサンプルを用いた微視的画像データのきめ細かい分類は、コンピュータビジョンとバイオメディカルイメージングにおいて未解決の問題である。
本稿では,エンドツーエンドで2つのタスクを同時に実行する,シンプルで効果的なディープネットワークを提案する。
その結果、堅牢だが軽量なエンドツーエンドのトレーニング可能なディープネットワークが実現し、最先端の結果が得られます。
論文 参考訳(メタデータ) (2020-10-06T15:29:58Z) - Selecting Regions of Interest in Large Multi-Scale Images for Cancer
Pathology [0.0]
顕微鏡スライドの高解像度スキャンは、がん病理学者が、複数のスケールと解像度でスライド画像内の特徴の測定に基づいて、がんの存在、サブタイプ、および重症度に関する結論に達するのに十分な情報を提供する。
肝癌,肝細胞癌 (HCC) と胆管癌 (CC) の2種類の1種を含む肝病理組織スライドにおいて,WSIを段階的に拡大して興味領域(ROI)を検出するための強化学習とビームサーチに基づくアプローチを検討する。
これらのROIは病理医に直接提示され、測定と診断を助けるか、または使用される。
論文 参考訳(メタデータ) (2020-07-03T15:27:41Z)
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。