論文の概要: Slideflow: Deep Learning for Digital Histopathology with Real-Time Whole-Slide Visualization

• arxiv url: http://arxiv.org/abs/2304.04142v1
• Date: Sun, 9 Apr 2023 02:49:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 17:27:57.658714
• Title: Slideflow: Deep Learning for Digital Histopathology with Real-Time Whole-Slide Visualization
• Title（参考訳）: Slideflow: リアルタイム全スライド可視化によるデジタル組織学の深層学習
• Authors: James M. Dolezal, Sara Kochanny, Emma Dyer, Andrew Srisuwananukorn, Matteo Sacco, Frederick M. Howard, Anran Li, Prajval Mohan, Alexander T. Pearson
• Abstract要約: われわれはSlideflowと呼ばれる病理組織学のための柔軟なディープラーニングライブラリを開発した。 デジタル病理学のための幅広い深層学習手法をサポートしている。 トレーニングされたモデルをデプロイするための、高速な全スライドインターフェースが含まれている。
• 参考スコア（独自算出の注目度）: 49.62449457005743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning methods have emerged as powerful tools for analyzing histopathological images, but current methods are often specialized for specific domains and software environments, and few open-source options exist for deploying models in an interactive interface. Experimenting with different deep learning approaches typically requires switching software libraries and reprocessing data, reducing the feasibility and practicality of experimenting with new architectures. We developed a flexible deep learning library for histopathology called Slideflow, a package which supports a broad array of deep learning methods for digital pathology and includes a fast whole-slide interface for deploying trained models. Slideflow includes unique tools for whole-slide image data processing, efficient stain normalization and augmentation, weakly-supervised whole-slide classification, uncertainty quantification, feature generation, feature space analysis, and explainability. Whole-slide image processing is highly optimized, enabling whole-slide tile extraction at 40X magnification in 2.5 seconds per slide. The framework-agnostic data processing pipeline enables rapid experimentation with new methods built with either Tensorflow or PyTorch, and the graphical user interface supports real-time visualization of slides, predictions, heatmaps, and feature space characteristics on a variety of hardware devices, including ARM-based devices such as the Raspberry Pi.
• Abstract（参考訳）: 深層学習法は病理組織像を分析する強力なツールとして登場したが、現在の手法は特定のドメインやソフトウェア環境に特化したものが多く、インタラクティブなインターフェースにモデルをデプロイするためのオープンソースオプションはほとんど存在しない。 異なるディープラーニングアプローチを試すには、一般的に、ソフトウェアライブラリの切り替えとデータの再処理が必要であり、新しいアーキテクチャの実験の可能性と実用性が低下する。 われわれは,デジタル病理学の幅広い深層学習手法をサポートするパッケージであるSlideflowという,組織学のための柔軟な深層学習ライブラリを開発した。 Slideflowには、全スライディング画像データ処理、効率的な染色正規化と拡張、弱い教師付き全スライディング分類、不確実性定量化、特徴生成、特徴空間分析、説明可能性のためのユニークなツールが含まれている。 全スライド画像処理は高度に最適化されており、1スライドあたり2.5秒で40倍の倍率で全スライドタイル抽出が可能である。 フレームワークに依存しないデータ処理パイプラインは、TensorflowまたはPyTorchで構築された新しいメソッドの迅速な実験を可能にする。グラフィカルユーザインターフェースは、Raspberry PiなどのARMベースのデバイスを含む、さまざまなハードウェアデバイス上のスライド、予測、ヒートマップ、特徴空間特性のリアルタイム可視化をサポートする。

関連論文リスト

• Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
  我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。 提案手法は, 監視対象の性能を超過する。
  論文  参考訳（メタデータ） (2024-03-25T17:40:32Z)
• DeepTimeAnomalyViz: A Tool for Visualizing and Post-processing Deep Learning Anomaly Detection Results for Industrial Time-Series [88.12892448747291]
  DeTAVIZ インタフェースは Web ブラウザをベースとした可視化ツールで,特定の問題における DL ベースの異常検出の実現可能性の迅速な探索と評価を行う。 DeTAVIZを使えば、ユーザーは複数のポスト処理オプションを簡単かつ迅速に繰り返し、異なるモデルを比較することができ、選択したメトリックに対して手動で最適化できる。
  論文  参考訳（メタデータ） (2021-09-21T10:38:26Z)
• SuperCaustics: Real-time, open-source simulation of transparent objects for deep learning applications [0.0]
  SuperCausticsは、ディープラーニングアプリケーション用に設計された透明なオブジェクトのリアルタイムかつオープンソースシミュレーションである。 私たちは、難しい照明シナリオで透明なオブジェクトをスクラッチからセグメント化するために、ディープニューラルネットワークをトレーニングしました。 私たちのニューラルネットワークは、トレーニングデータの10%しか使用せずに、実世界のデータセットにおける最先端のパフォーマンスを達成しました。
  論文  参考訳（メタデータ） (2021-07-23T03:11:47Z)
• Design of a Graphical User Interface for Few-Shot Machine Learning Classification of Electron Microscopy Data [0.23453441553817042]
  我々は,Python ベースのグラフィカルユーザインタフェースを開発し,エンドユーザが数発の学習モデルのアウトプットを容易に実行し,視覚化できるようにする。 このインターフェースは軽量で,ローカルあるいはWeb上でホストすることができる。
  論文  参考訳（メタデータ） (2021-07-21T23:02:33Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• An Open-source Tool for Hyperspectral Image Augmentation in Tensorflow [0.0]
  現在のコンピュータビジョンシステムは、主に自然画像を含むアプリケーションに特化している。 この原稿は、ハイパースペクトル画像のインフローに対する画像拡張の実装を可能にするオープンソースツールを紹介している。
  論文  参考訳（メタデータ） (2020-03-30T14:28:12Z)
• PHOTONAI -- A Python API for Rapid Machine Learning Model Development [2.414341608751139]
  PHOTONAIは、機械学習モデル開発の簡素化と高速化を目的とした、ハイレベルなPython APIである。 これは統一フレームワークとして機能し、ユーザーは異なるツールボックスからのアルゴリズムをカスタムのアルゴリズムシーケンスに簡単にアクセスし、組み合わせることができる。
  論文  参考訳（メタデータ） (2020-02-13T10:33:05Z)
• Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
  まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。 本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。 エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
  論文  参考訳（メタデータ） (2020-02-10T13:13:43Z)
• HistomicsML2.0: Fast interactive machine learning for whole slide imaging data [6.396738205632676]
  HistomicsML2.0は、機械学習分類器を高速に学習し、全スライディング画像データセットの組織学的パターンを検出する。 HistomicsML2.0は、さまざまなアプリケーションに容易に適応可能な畳み込みネットワークを使用し、Webベースのユーザインターフェースを提供し、デプロイを簡単にするためのソフトウェアコンテナとして利用できる。
  論文  参考訳（メタデータ） (2020-01-30T20:10:26Z)
• A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
  現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。 本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
  論文  参考訳（メタデータ） (2020-01-05T11:33:31Z)

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。