論文の概要: PIMIP: An Open Source Platform for Pathology Information Management and
Integration
- arxiv url: http://arxiv.org/abs/2111.05794v1
- Date: Tue, 9 Nov 2021 10:00:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-12 03:19:18.488100
- Title: PIMIP: An Open Source Platform for Pathology Information Management and
Integration
- Title(参考訳): PIMIP: 病理情報管理と統合のためのオープンソースプラットフォーム
- Authors: Jialun Wu, Anyu Mao, Xinrui Bao, Haichuan Zhang, Zeyu Gao, Chunbao
Wang, Tieliang Gong, and Chen Li
- Abstract要約: デジタル病理学は、医療分野における人工知能の発展において重要な役割を担っている。
デジタル病理セクションの管理と分析を支援するオープンで普遍的なデジタル病理プラットフォームはいまだに存在しない。
PIMIPは,デジタル病理領域の可視化に基づく画像アノテーション機能を開発した。
- 参考スコア(独自算出の注目度): 4.6242686927494026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital pathology plays a crucial role in the development of artificial
intelligence in the medical field. The digital pathology platform can make the
pathological resources digital and networked, and realize the permanent storage
of visual data and the synchronous browsing processing without the limitation
of time and space. It has been widely used in various fields of pathology.
However, there is still a lack of an open and universal digital pathology
platform to assist doctors in the management and analysis of digital
pathological sections, as well as the management and structured description of
relevant patient information. Most platforms cannot integrate image viewing,
annotation and analysis, and text information management. To solve the above
problems, we propose a comprehensive and extensible platform PIMIP. Our PIMIP
has developed the image annotation functions based on the visualization of
digital pathological sections. Our annotation functions support multi-user
collaborative annotation and multi-device annotation, and realize the
automation of some annotation tasks. In the annotation task, we invited a
professional pathologist for guidance. We introduce a machine learning module
for image analysis. The data we collected included public data from local
hospitals and clinical examples. Our platform is more clinical and suitable for
clinical use. In addition to image data, we also structured the management and
display of text information. So our platform is comprehensive. The platform
framework is built in a modular way to support users to add machine learning
modules independently, which makes our platform extensible.
- Abstract(参考訳): デジタル病理学は、医療分野における人工知能の発展に重要な役割を果たしている。
デジタル病理プラットフォームは、病的資源をデジタル化・ネットワーク化することができ、時間と空間の制限なく、視覚的データの永久保存と同期ブラウジング処理を実現することができる。
様々な病理学の分野で広く用いられている。
しかし,デジタル病理領域の管理と解析,および関連する患者の情報の管理と構造記述を支援するオープンで普遍的なデジタル病理プラットフォームはいまだに存在しない。
ほとんどのプラットフォームは、画像の閲覧、アノテーション、分析、テキスト情報管理を統合できない。
上記の問題を解決するために,包括的で拡張可能なプラットフォームPIMIPを提案する。
我々のPIMIPは,デジタル病理領域の可視化に基づく画像アノテーション機能を開発した。
アノテーション機能はマルチユーザ協調アノテーションとマルチデバイスアノテーションをサポートし,アノテーションタスクの自動化を実現する。
注記課題では、専門家の病理医に指導を依頼した。
画像解析のための機械学習モジュールを提案する。
収集したデータには、地方病院の公開データと臨床例が含まれていた。
当社のプラットフォームは、より臨床的で、臨床用途に適しています。
画像データに加えて,テキスト情報の管理と表示も構成した。
私たちのプラットフォームは包括的です
プラットフォームフレームワークは、ユーザが独立して機械学習モジュールを追加するのをサポートするモジュール方式で構築されています。
関連論文リスト
- A Survey of Medical Vision-and-Language Applications and Their Techniques [48.268198631277315]
医療ビジョン・アンド・ランゲージモデル(MVLM)は、複雑な医療データを解釈するための自然言語インタフェースを提供する能力から、大きな関心を集めている。
本稿では,MVLMの概要と適用した各種医療課題について概観する。
また、これらのタスクに使用するデータセットについても検討し、標準化された評価指標に基づいて異なるモデルの性能を比較した。
論文 参考訳(メタデータ) (2024-11-19T03:27:05Z) - Multiplex Imaging Analysis in Pathology: a Comprehensive Review on Analytical Approaches and Digital Toolkits [0.7968706282619793]
マルチ多重イメージングは、複数のバイオマーカーを1つのセクションで同時に視覚化することを可能にする。
多重画像からのデータは、前処理、セグメンテーション、特徴抽出、空間解析のための洗練された計算方法を必要とする。
PathMLは、画像分析を効率化するAIベースのプラットフォームで、臨床および研究環境では複雑な解釈がアクセス可能である。
論文 参考訳(メタデータ) (2024-11-01T18:02:41Z) - Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。
空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。
時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
論文 参考訳(メタデータ) (2024-05-30T03:15:09Z) - Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。
特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。
また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
論文 参考訳(メタデータ) (2024-04-27T05:03:42Z) - Hierarchical Text-to-Vision Self Supervised Alignment for Improved Histopathology Representation Learning [64.1316997189396]
病理組織像のための新しい言語型自己教師学習フレームワーク,階層型言語型自己監督(HLSS)を提案する。
その結果,OpenSRH と TCGA の2つの医用画像ベンチマークにおいて,最先端の性能が得られた。
論文 参考訳(メタデータ) (2024-03-21T17:58:56Z) - TIAViz: A Browser-based Visualization Tool for Computational Pathology
Models [0.6519788717471032]
TIAToolboxに組み込まれたPythonベースの視覚化ツールであるTIAVizを紹介する。
フレキシブルでインタラクティブで、完全にズーム可能な、幅広い情報をスライド画像全体にオーバーレイすることができる。
論文 参考訳(メタデータ) (2024-02-15T14:54:46Z) - AliFuse: Aligning and Fusing Multi-modal Medical Data for Computer-Aided Diagnosis [1.64647940449869]
マルチモーダル医療データの整合と融合のためのトランスフォーマーベースのフレームワークであるAlifuseを提案する。
医用画像と非構造化および構造化された臨床記録を視覚と言語トークンに変換する。
Alifuseを使ってアルツハイマー病を分類し、5つのパブリックデータセットで最先端のパフォーマンスを達成し、8つのベースラインを上回ります。
論文 参考訳(メタデータ) (2024-01-02T07:28:21Z) - HistoColAi: An Open-Source Web Platform for Collaborative Digital
Histology Image Annotation with AI-Driven Predictive Integration [1.5291251918989404]
デジタル病理は、その多くの利点により、病理ワークフローの標準となっている。
深層学習に基づく画像解析手法の最近の進歩は、デジタル病理学の潜在的助けとなる。
本稿では,デジタル化された組織像を視覚化・注釈するツールを効率的に提供するWebサービスを提案する。
論文 参考訳(メタデータ) (2023-07-11T10:41:09Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳(メタデータ) (2021-07-20T07:04:52Z) - Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。
これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。
テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-20T20:05:35Z) - OpenHI2 -- Open source histopathological image platform [5.139795027579552]
病理診断は多くの外部因子に敏感である。
病理学における厳格な要件を満たすことのできるシステムだけが、病理学のルーチンに沿って走ることができる。
論文 参考訳(メタデータ) (2020-01-15T07:29:29Z)
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。