論文の概要: Code-free development and deployment of deep segmentation models for digital pathology

• arxiv url: http://arxiv.org/abs/2111.08430v1
• Date: Tue, 16 Nov 2021 13:08:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-17 21:18:06.257038
• Title: Code-free development and deployment of deep segmentation models for digital pathology
• Title（参考訳）: デジタル病理学のための深部セグメンテーションモデルの開発と展開
• Authors: Henrik Sahlin Pettersen, Ilya Belevich, Elin Synn{\o}ve R{\o}yset, Erik Smistad, Eija Jokitalo, Ingerid Reinertsen, Ingunn Bakke, Andr\'e Pedersen
• Abstract要約: 本稿では,フリーユースなオープンソースソフトウェア(QuPath,DeepMIB,FastPathology)を応用した,深層学習型セグメンテーションモデルの構築と展開のためのコードフリーパイプラインを提案する。 140個のhematoxylin-eosin (HE)-stainedと111個のCD3免疫染色型大腸生検WSIからなる251個のアノテートWSIのデータセットを開発した。 病理学レベルのセグメンテーション精度と臨床ランタイム性能を実証し、プログラミング経験のない病理学者が最先端セグメンテーションソリューションを作成できることを示す。
• 参考スコア（独自算出の注目度）: 0.7812927717615301
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Application of deep learning on histopathological whole slide images (WSIs) holds promise of improving diagnostic efficiency and reproducibility but is largely dependent on the ability to write computer code or purchase commercial solutions. We present a code-free pipeline utilizing free-to-use, open-source software (QuPath, DeepMIB, and FastPathology) for creating and deploying deep learning-based segmentation models for computational pathology. We demonstrate the pipeline on a use case of separating epithelium from stroma in colonic mucosa. A dataset of 251 annotated WSIs, comprising 140 hematoxylin-eosin (HE)-stained and 111 CD3 immunostained colon biopsy WSIs, were developed through active learning using the pipeline. On a hold-out test set of 36 HE and 21 CD3-stained WSIs a mean intersection over union score of 96.6% and 95.3% was achieved on epithelium segmentation. We demonstrate pathologist-level segmentation accuracy and clinical acceptable runtime performance and show that pathologists without programming experience can create near state-of-the-art segmentation solutions for histopathological WSIs using only free-to-use software. The study further demonstrates the strength of open-source solutions in its ability to create generalizable, open pipelines, of which trained models and predictions can seamlessly be exported in open formats and thereby used in external solutions. All scripts, trained models, a video tutorial, and the full dataset of 251 WSIs with ~31k epithelium annotations are made openly available at https://github.com/andreped/NoCodeSeg to accelerate research in the field.
• Abstract（参考訳）: 組織学的全スライド画像(WSI)へのディープラーニングの適用は、診断効率と再現性の向上を約束するが、主にコンピュータコードの記述能力や商用ソリューションの購入能力に依存している。 本稿では,フリーユースなオープンソースソフトウェア(QuPath,DeepMIB,FastPathology)を用いて,深層学習に基づく分類モデルの作成と展開を行う。 大腸粘膜のstromaから上皮を分離する使用例について本パイプラインを実証した。 このパイプラインを用いたアクティブラーニングにより,140ヘマトキシリン-エオシン (he) と111cd3免疫染色大腸生検wsisからなる251のアノテートwsisデータセットを開発した。 36 HEおよび21 CD3-stained WSIsのホールドアウト試験セットでは、上皮のセグメンテーションで96.6%と95.3%の平均結合が達成された。 病理学レベルのセグメンテーション精度と臨床が許容する実行時性能を実証し、プログラム経験のない病理学者が、フリー・ツー・ユースソフトウェアのみを用いて、病理組織学的WSIに対する最先端のセグメンテーションソリューションを作成できることを示す。 この研究は、最適化されたモデルと予測をオープンフォーマットでシームレスにエクスポートし、それによって外部ソリューションで使用できる、汎用的でオープンなパイプラインを作成する能力において、オープンソースソリューションの強みをさらに示している。 すべてのスクリプト、トレーニングされたモデル、ビデオチュートリアル、31kのエピテリウムアノテーションを備えた251のWSIの全データセットがhttps://github.com/andreped/NoCodeSegで公開されている。

関連論文リスト

• 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)
• AWGUNET: Attention-Aided Wavelet Guided U-Net for Nuclei Segmentation in Histopathology Images [26.333686941245197]
  本稿では,U-NetアーキテクチャとDenseNet-121バックボーンを組み合わせたセグメンテーション手法を提案する。 本モデルでは,ウェーブレット誘導チャネルアテンションモジュールを導入し,セル境界のデライン化を促進させる。 その結果,Mouseg と TNBC の2つの病理組織学的データセットを用いて,提案モデルの優位性を実証した。
  論文  参考訳（メタデータ） (2024-06-12T17:10:27Z)
• WEEP: A method for spatial interpretation of weakly supervised CNN models in computational pathology [0.36096289461554343]
  モデル解釈のための新しい方法 Wsi rEgion sElection aPproach (WEEP) を提案する。 乳がん計算病理領域における二分分類課題におけるWEEPについて検討した。
  論文  参考訳（メタデータ） (2024-03-22T14:32:02Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Quilt-LLaVA: Visual Instruction Tuning by Extracting Localized Narratives from Open-Source Histopathology Videos [11.913023311613884]
  そこで本研究では,病理組織特異的な命令問合せ/問合せの大規模データセットであるQuilt-Instructを紹介した。 Quilt-Instructを使ってQult-LLaVAをトレーニングします。
  論文  参考訳（メタデータ） (2023-12-07T23:16:37Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• An Iterative Optimizing Framework for Radiology Report Summarization with ChatGPT [80.33783969507458]
  放射線医学報告の「印象」セクションは、放射線医と他の医師とのコミュニケーションにとって重要な基盤である。 近年の研究では、大規模医療用テキストデータを用いた印象自動生成の有望な成果が得られている。 これらのモデルは、しばしば大量の医療用テキストデータを必要とし、一般化性能が劣る。
  論文  参考訳（メタデータ） (2023-04-17T17:13:42Z)
• Development and validation of a natural language processing algorithm to pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
  この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。 臨床文献のコーパスを12種類に分類した。 私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
  論文  参考訳（メタデータ） (2023-03-23T17:17:46Z)
• Improving Clinical Document Understanding on COVID-19 Research with Spark NLP [0.0]
  世界的な新型コロナウイルスのパンデミックの後、ウイルスを研究する科学論文の数は大幅に増加しました。 これまでの取り組みを3つの方法で改善する臨床テキストマイニングシステムを紹介します。 まず、健康、解剖学、リスクファクター、有害事象の社会的決定要因を含む100以上の異なるエンティティタイプを認識することができます。 第2に、テキスト処理パイプラインは、アサーション状態検出を含み、患者以外の誰かの存在、欠如、条件付き、または、患者に関する臨床事実を区別する。
  論文  参考訳（メタデータ） (2020-12-07T19:17:05Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• LRTD: Long-Range Temporal Dependency based Active Learning for Surgical Workflow Recognition [67.86810761677403]
  本稿では,費用対効果の高い手術ビデオ解析のための新しい能動的学習法を提案する。 具体的には,非局所的再帰的畳み込みネットワーク (NL-RCNet) を提案する。 手術ワークフロー認識タスクを実行することで,大規模な手術ビデオデータセット(Cholec80)に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2020-04-21T09:21:22Z)

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。