論文の概要: An Accelerated Pipeline for Multi-label Renal Pathology Image
Segmentation at the Whole Slide Image Level
- arxiv url: http://arxiv.org/abs/2305.14566v1
- Date: Tue, 23 May 2023 23:07:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 21:29:03.451234
- Title: An Accelerated Pipeline for Multi-label Renal Pathology Image
Segmentation at the Whole Slide Image Level
- Title(参考訳): 全スライド画像レベルでの多ラベル腎画像分割のための加速パイプライン
- Authors: Haoju Leng, Ruining Deng, Zuhayr Asad, R. Michael Womick, Haichun
Yang, Lipeng Wan, and Yuankai Huo
- Abstract要約: 繰り返し計算処理を削減し,GPUを用いて予測を高速化するために,Omni-Segパイプラインの強化版を提案する。
提案手法の革新的なコントリビューションは2つある: 1) エンドツーエンドのスライドワイドマルチタスクセグメンテーション用にDockerがリリースされ、(2) パイプラインをGPU上にデプロイして予測を高速化する。
- 参考スコア(独自算出の注目度): 3.4916828526000008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep-learning techniques have been used widely to alleviate the
labour-intensive and time-consuming manual annotation required for pixel-level
tissue characterization. Our previous study introduced an efficient single
dynamic network - Omni-Seg - that achieved multi-class multi-scale pathological
segmentation with less computational complexity. However, the patch-wise
segmentation paradigm still applies to Omni-Seg, and the pipeline is
time-consuming when providing segmentation for Whole Slide Images (WSIs). In
this paper, we propose an enhanced version of the Omni-Seg pipeline in order to
reduce the repetitive computing processes and utilize a GPU to accelerate the
model's prediction for both better model performance and faster speed. Our
proposed method's innovative contribution is two-fold: (1) a Docker is released
for an end-to-end slide-wise multi-tissue segmentation for WSIs; and (2) the
pipeline is deployed on a GPU to accelerate the prediction, achieving better
segmentation quality in less time. The proposed accelerated implementation
reduced the average processing time (at the testing stage) on a standard needle
biopsy WSI from 2.3 hours to 22 minutes, using 35 WSIs from the Kidney Tissue
Atlas (KPMP) Datasets. The source code and the Docker have been made publicly
available at https://github.com/ddrrnn123/Omni-Seg.
- Abstract(参考訳): 深層学習技術は、ピクセルレベルの組織評価に必要な労働集約的かつ時間を要する手動アノテーションを緩和するために広く用いられている。
これまでの研究では,計算量が少ないマルチクラスマルチスケールの病理分節化を実現する効率的な単一動的ネットワークであるomni-segを導入した。
しかし、パッチワイドセグメンテーションのパラダイムは依然としてOmni-Segに当てはまり、WSI(Whole Slide Images)のセグメンテーションを提供するのにパイプラインは時間がかかる。
本稿では,繰り返し計算処理の削減を目的としたOmni-Segパイプラインの強化版を提案し,GPUを用いてモデルの性能向上と高速化の両面においてモデル予測を高速化する。
提案手法のイノベーティブな貢献は2つある: (1) エンドツーエンドのslide-wise multi-tissue segmentation for wsisのためにdockerがリリースされ、(2) パイプラインがgpuにデプロイされて予測を加速し、より短い時間でセグメント品質が向上する。
提案された高速化実装により、標準的な針生検WSIの平均処理時間を2.3時間から22分に短縮し、キドニー組織アトラス(KPMP)データセットから35 WSIを使用した。
ソースコードとDockerはhttps://github.com/ddrrnn123/Omni-Seg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) - UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。
我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。
Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文 参考訳(メタデータ) (2022-12-08T18:59:57Z) - Learning Binary and Sparse Permutation-Invariant Representations for
Fast and Memory Efficient Whole Slide Image Search [3.2580463372881234]
本稿では, 深層生成モデルとフィッシャーベクトルを用いて, バイナリおよびスパースWSI表現を学習するための新しいフレームワークを提案する。
本稿では、インスタンスベーストレーニングを用いたスパースと二分置換不変WSI表現を学習するための新しい損失関数を提案する。
提案手法は, 検索精度と速度の両面で, ヨッティクセル(最近の病理画像検索エンジン)より優れていた。
論文 参考訳(メタデータ) (2022-08-29T14:56:36Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳(メタデータ) (2022-07-18T06:01:29Z) - Temporal Attention-Augmented Graph Convolutional Network for Efficient
Skeleton-Based Human Action Recognition [97.14064057840089]
グラフネットワーク(GCN)はユークリッド以外のデータ構造をモデル化するのに非常に成功した。
ほとんどのGCNベースのアクション認識手法は、計算量の多いディープフィードフォワードネットワークを使用して、全てのスケルトンをアクションで処理する。
本稿では,骨格に基づく行動認識の効率を高めるための時間的アテンションモジュール(TAM)を提案する。
論文 参考訳(メタデータ) (2020-10-23T08:01:55Z) - 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) - Faster Mean-shift: GPU-accelerated clustering for cosine embedding-based
cell segmentation and tracking [12.60841328582138]
本稿では,埋め込み型セルセグメンテーションとトラッキングの計算ボトルネックに対処する,高速平均シフトアルゴリズムを提案する。
提案したFaster Mean-shiftアルゴリズムは、最先端の埋め込みベースのセルインスタンスのセグメンテーションとトラッキングアルゴリズムと比較して7~10倍の高速化を実現した。
我々の高速平均シフトアルゴリズムは、メモリ消費を最適化した他のGPUベンチマークと比較して計算速度も高い。
論文 参考訳(メタデータ) (2020-07-28T14:52:51Z) - Temporally Distributed Networks for Fast Video Semantic Segmentation [64.5330491940425]
TDNetは、高速かつ正確なビデオセマンティックセグメンテーションのために設計された時間分散ネットワークである。
我々は,深層CNNの特定の高層層から抽出した特徴を,より浅いサブネットワークから抽出した特徴の合成により近似することができることを観察した。
Cityscapes, CamVid, NYUD-v2 の実験により,本手法が高速かつ低レイテンシで最先端の精度を実現することを示す。
論文 参考訳(メタデータ) (2020-04-03T22:43:32Z) - Real-Time High-Performance Semantic Image Segmentation of Urban Street
Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。
提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文 参考訳(メタデータ) (2020-03-11T08:45:53Z) - FarSee-Net: Real-Time Semantic Segmentation by Efficient Multi-scale
Context Aggregation and Feature Space Super-resolution [14.226301825772174]
Cascaded Factorized Atrous Space Pyramid Pooling (CF-ASPP) と呼ばれる新しい効率的なモジュールについて紹介する。
これは畳み込みニューラルネットワーク(CNN)のための軽量なカスケード構造であり、コンテキスト情報を効率的に活用する。
我々は1枚のNivida Titan X (Maxwell) GPUカードでCityscapesテストセットの84fpsで68.4% mIoUを達成した。
論文 参考訳(メタデータ) (2020-03-09T03:53:57Z)
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。