論文の概要: HistoColAi: An Open-Source Web Platform for Collaborative Digital
Histology Image Annotation with AI-Driven Predictive Integration
- arxiv url: http://arxiv.org/abs/2307.07525v1
- Date: Tue, 11 Jul 2023 10:41:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-23 12:16:01.815673
- Title: HistoColAi: An Open-Source Web Platform for Collaborative Digital
Histology Image Annotation with AI-Driven Predictive Integration
- Title（参考訳）: HistoColAi - AI駆動予測統合によるコラボレーション型デジタルヒストロジーイメージアノテーションのためのオープンソースのWebプラットフォーム
- Authors: Cristian Camilo Pulgar\'in-Ospina, Roc\'io del Amor, Adri\'an
Colomera, Julio Silva-Rodr\'iguez and Valery Naranjo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.5291251918989404
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Digital pathology has become a standard in the pathology workflow due to its
many benefits. These include the level of detail of the whole slide images
generated and the potential immediate sharing of cases between hospitals.
Recent advances in deep learning-based methods for image analysis make them of
potential aid in digital pathology. However, a major limitation in developing
computer-aided diagnostic systems for pathology is the lack of an intuitive and
open web application for data annotation. This paper proposes a web service
that efficiently provides a tool to visualize and annotate digitized
histological images. In addition, to show and validate the tool, in this paper
we include a use case centered on the diagnosis of spindle cell skin neoplasm
for multiple annotators. A usability study of the tool is also presented,
showing the feasibility of the developed tool.
- Abstract（参考訳）: デジタル病理学は、多くの利点があるため、病理ワークフローの標準となっている。
これには、生成されたスライド画像全体の詳細レベル、病院間でのケースの即時共有が含まれる。
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。
しかしながら、病理診断のためのコンピュータ支援診断システムの開発における大きな制限は、直感的でオープンなデータアノテーションアプリケーションがないことである。
本稿では,デジタル化ヒストロジー画像の可視化と注釈作成を効率的に行うwebサービスを提案する。
また,本論文では,複数の注釈者を対象としたスピンドル細胞皮膚腫瘍の診断を中心としたユースケースについて述べる。
また,開発ツールの有用性を示すツールのユーザビリティスタディも提示した。
関連論文リスト
- 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) - HistoGym: A Reinforcement Learning Environment for Histopathological Image Analysis [9.615399811006034]
HistoGymは、医師の実際の過程を模倣して、スライド画像全体の診断を促進することを目的としている。
私たちは、WSIベースのシナリオと選択された地域ベースのシナリオを含む、さまざまな臓器や癌のシナリオを提供しています。
論文 参考訳（メタデータ） (2024-08-16T17:19:07Z) - 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) - PIMIP: An Open Source Platform for Pathology Information Management and
Integration [4.6242686927494026]
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。
論文 参考訳（メタデータ） (2021-11-09T10:00:59Z) - Recent advances and clinical applications of deep learning in medical
image analysis [7.132678647070632]
我々は最近200以上の論文をレビュー・要約し、様々な医用画像解析タスクにおける深層学習手法の適用の概要を概観した。
特に,医用画像における最先端の非教師あり半教師あり深層学習の進歩と貢献を強調した。
論文 参考訳（メタデータ） (2021-05-27T18:05:12Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。
このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
論文 参考訳（メタデータ） (2021-02-07T19:12:32Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳（メタデータ） (2020-10-07T08:36:44Z) - Design and Development of a Web-based Tool for Inpainting of Dissected
Aortae in Angiography Images [69.14026408176609]
提案した塗布ツールは、大動脈解離を塗布するタスクに基づいてトレーニングされたニューラルネットワークを組み合わせたものである。
ツールをWebアプリケーションとして設計することにより、ニューラルネットワークの使用を簡素化し、初期学習曲線を小さくする。
論文 参考訳（メタデータ） (2020-05-06T12:22:21Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳（メタデータ） (2020-04-10T13:12:47Z)
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。