論文の概要: DeepLIIF: An Online Platform for Quantification of Clinical Pathology Slides

• arxiv url: http://arxiv.org/abs/2204.04494v1
• Date: Sat, 9 Apr 2022 15:30:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 16:04:41.223919
• Title: DeepLIIF: An Online Platform for Quantification of Clinical Pathology Slides
• Title（参考訳）: deepliif:臨床病理スライドの定量化のためのオンラインプラットフォーム
• Authors: Parmida Ghahremani, Joseph Marino, Ricardo Dodds and Saad Nadeem
• Abstract要約: We present DeepLIIF, a first free online platform for efficient and reproducible IHC score。 DeepLIIFは、より有意義な多重蛍光蛍光染色による臨床IHCスライドを仮想的に保持することで、最先端のアプローチ(手動のエラー原因アノテーションに基づく)より優れています。
• 参考スコア（独自算出の注目度）: 9.906317924458456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the clinic, resected tissue samples are stained with Hematoxylin-and-Eosin (H&E) and/or Immunhistochemistry (IHC) stains and presented to the pathologists on glass slides or as digital scans for diagnosis and assessment of disease progression. Cell-level quantification, e.g. in IHC protein expression scoring, can be extremely inefficient and subjective. We present DeepLIIF (https://deepliif.org), a first free online platform for efficient and reproducible IHC scoring. DeepLIIF outperforms current state-of-the-art approaches (relying on manual error-prone annotations) by virtually restaining clinical IHC slides with more informative multiplex immunofluorescence staining. Our DeepLIIF cloud-native platform supports (1) more than 150 proprietary/non-proprietary input formats via the Bio-Formats standard, (2) interactive adjustment, visualization, and downloading of the IHC quantification results and the accompanying restained images, (3) consumption of an exposed workflow API programmatically or through interactive plugins for open source whole slide image viewers such as QuPath/ImageJ, and (4) auto scaling to efficiently scale GPU resources based on user demand.
• Abstract（参考訳）: クリニックでは、切除された組織サンプルをヘマトキシリン・アンド・エオシン(h&e)および/または免疫組織化学(ihc)染色で染色し、ガラススライド上の病理学者または疾患進行の診断および評価のためのデジタルスキャンとして提示する。 IHCタンパク質の発現評価などの細胞レベルの定量化は、極めて非効率で主観的である。 deepliif(https://deepliif.org)は、効率良く再現可能なiccスコアリングのための、最初の無料のオンラインプラットフォームである。 DeepLIIFは、より有意義な多重蛍光蛍光染色による臨床IHCスライドを仮想的に保持することで、最先端のアプローチ(手動のエラー原因アノテーションに基づく)より優れている。 当社のDeepLIIFクラウドネイティブプラットフォームは,(1)Bio-Formats標準による150以上のプロプライエタリ/非プロプライエタリな入力フォーマット,(2)IHC定量化結果とそれに付随する画像のインタラクティブな調整,可視化,ダウンロード,(3)QuPath/ImageJなどのオープンソーススライドイメージビューア用のインタラクティブプラグインによる公開ワークフローAPIの利用,(4)GPUリソースをユーザの要求に応じて効率的にスケールするための自動スケーリングをサポートする。

関連論文リスト

• A Multimodal Approach For Endoscopic VCE Image Classification Using BiomedCLIP-PubMedBERT [0.62914438169038]
  本稿では,マルチモーダルモデルであるBiomedCLIP PubMedBERTの微細調整によるビデオカプセル内視鏡フレームの異常の分類について述べる。 本手法では, 血管拡張症, 出血, エロージョン, エリテマ, 異物, リンパ管拡張症, ポリープ, 潰瘍, ワーム, 正常の10種類の画像に分類する。 分類、精度、リコール、F1スコアなどのパフォーマンス指標は、内視鏡フレームの異常を正確に識別する強力な能力を示している。
  論文  参考訳（メタデータ） (2024-10-25T19:42:57Z)
• LLCaps: Learning to Illuminate Low-Light Capsule Endoscopy with Curved Wavelet Attention and Reverse Diffusion [24.560417980602928]
  ワイヤレスカプセル内視鏡(Wireless capsule endoscopy, WCE)は、消化器疾患の無痛・非侵襲診断ツールである。 医学領域における深層学習に基づく低照度画像強調(LLIE)は徐々に研究者を惹きつける。 マルチスケール畳み込みニューラルネットワーク(CNN)と逆拡散プロセスに基づく WCE LLIE フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-05T17:23:42Z)
• Label- and slide-free tissue histology using 3D epi-mode quantitative phase imaging and virtual H&E staining [1.3141683929245986]
  組織生検の組織学的染色は、疾患の診断と組織の総合的な臨床評価の基準となる。 我々は,新しい3次元定量的位相イメージング技術である定量的斜め後方照明顕微鏡 (qOBM) と,教師なし生成対向ネットワークパイプラインを組み合わせた。 マウス肝,ラットグリオー肉腫,ヒトグリオーマから得られた新鮮組織標本を用いて,H&Eの高忠実度化を実現した。
  論文  参考訳（メタデータ） (2023-06-01T11:09:31Z)
• A Multi-Scale Framework for Out-of-Distribution Detection in Dermoscopic Images [10.20384144853726]
  本稿では,皮膚疾患の画像データを検出するためのマルチスケール検出フレームワークを提案する。 我々のフレームワークはニューラルネットワークの異なる層から特徴を抽出する。 実験により,提案手法は,他の最先端手法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-01-18T13:49:35Z)
• Morphology-Aware Interactive Keypoint Estimation [32.52024944963992]
  医学的画像に基づく診断は、しばしば解剖学的キーポイントのマニュアルアノテーションを含む。 本稿では,ユーザインタラクションシステムを通じて解剖学的キーポイントを自動的に検出し,精査する,新しいディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-15T09:27:14Z)
• Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
  眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。 大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-04T13:16:30Z)
• 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)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)

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。