Fugu-MT 論文翻訳(概要): PatchSorter: A High Throughput Deep Learning Digital Pathology Tool for Object Labeling

論文の概要: PatchSorter: A High Throughput Deep Learning Digital Pathology Tool for Object Labeling

arxiv url: http://arxiv.org/abs/2307.07528v1
Date: Thu, 13 Jul 2023 09:32:42 GMT
ステータス: 処理完了
システム内更新日: 2023-07-18 19:26:14.994910
Title: PatchSorter: A High Throughput Deep Learning Digital Pathology Tool for Object Labeling
Title（参考訳）: patchsorter: オブジェクトラベリングのための高スループットなディープラーニングデジタル病理ツール
Authors: Cedric Walker, Tasneem Talawalla, Robert Toth, Akhil Ambekar, Kien Rea, Oswin Chamian, Fan Fan, Sabina Berezowska, Sven Rottenberg, Anant Madabhushi, Marie Maillard, Laura Barisoni, Hugo Mark Horlings, Andrew Janowczyk
Abstract要約: ディープラーニングと直感的なWebインターフェースを統合したオープンソースのラベリングツールであるPatchSorterをリリースしました。我々は,ラベルの精度に最小限の影響を伴って,ラベルの1秒あたり7倍の改善を実証した。
参考スコア（独自算出の注目度）: 0.8290040611295051
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The discovery of patterns associated with diagnosis, prognosis, and therapy response in digital pathology images often requires intractable labeling of large quantities of histological objects. Here we release an open-source labeling tool, PatchSorter, which integrates deep learning with an intuitive web interface. Using >100,000 objects, we demonstrate a >7x improvement in labels per second over unaided labeling, with minimal impact on labeling accuracy, thus enabling high-throughput labeling of large datasets.
Abstract（参考訳）: デジタル病理画像における診断・予後・治療反応に関連するパターンの発見は、しばしば大量の組織学的対象の難解なラベル付けを必要とする。ここでは、ディープラーニングと直感的なWebインターフェースを統合するオープンソースのラベリングツールであるPatchSorterをリリースする。 100,000オブジェクトを使用すると、未知のラベルよりも1秒あたりのラベルが7倍改善され、ラベルの精度が最小限に抑えられるため、大規模なデータセットの高スループットラベル付けが可能になる。

関連論文リスト

Automatic Labels are as Effective as Manual Labels in Biomedical Images Classification with Deep Learning [32.71326861917332]
特定のタスクを実行するためにディープラーニングアルゴリズムを訓練する主な制限の1つは、医療専門家がデータをラベル付けする必要があることである。本稿では,全スライド画像(WSI)の分類に基づくDLモデルをトレーニングするために,自動ラベルをどのような状況で適用できるかを検討することを目的とする。セマンティック・ナレッジ・エクストラクタ・ツール(SKET)アルゴリズムを用いて自動ラベルを生成すると、手動ラベルで得られたものと同等の性能が得られる。
論文参考訳（メタデータ） (2024-06-20T14:20:50Z)
You can't handle the (dirty) truth: Data-centric insights improve pseudo-labeling [60.27812493442062]
擬似ラベル法を改善するためにラベル付きデータ品質を調査することが重要であることを示す。具体的には、擬似ラベルの拡張のために、DIPSと呼ばれる新しいデータキャラクタリゼーションと選択フレームワークを導入する。本研究では,多種多様な実世界のデータセットを対象とした擬似ラベル手法に対するDIPSの適用性と影響を実証する。
論文参考訳（メタデータ） (2024-06-19T17:58:40Z)
Auto-Generating Weak Labels for Real & Synthetic Data to Improve Label-Scarce Medical Image Segmentation [5.368714143438489]
本稿では,Segment Anything Model (SAM) や医療用代替MedSAMなどの基礎モデルを活用することで,医療用画像ラベリングのハードルを克服する新しいアプローチを提案する。我々のパイプラインは、ラベルなしの医療画像に対して弱いラベルを生成し、その後、ラベルのスカースデータセットを増やすためにそれを使用することができる。この自動化により、MedSAMのマニュアルプロンプトステップが不要になり、実画像と合成画像の両方のラベルを生成するための合理化プロセスが作成される。
論文参考訳（メタデータ） (2024-04-25T20:47:08Z)
PNT-Edge: Towards Robust Edge Detection with Noisy Labels by Learning Pixel-level Noise Transitions [119.17602768128806]
特に大規模なデータセットでは、エッジの正確なラベル付けは難しい。本稿では,ラベル破壊過程をモデル化するために,Pixelレベルのノイズ遷移を学習することを提案する。
論文参考訳（メタデータ） (2023-07-26T09:45:17Z)
Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
論文参考訳（メタデータ） (2023-05-22T04:50:28Z)
On Smart Gaze based Annotation of Histopathology Images for Training of Deep Convolutional Neural Networks [1.9642257301321773]
アイアイアイアイのアノテーションは、スライドラベリングプロセスを高速化する可能性がある。ハンドラベルデータとガゼラベルデータを用いて訓練したディープオブジェクト検出器の性能差を比較した。
論文参考訳（メタデータ） (2022-02-06T12:07:12Z)
Learning with less labels in Digital Pathology via Scribble Supervision from natural images [20.298424229156506]
自然画像領域(NI)からデジタル病理領域へのクロスドメイン移行学習が成功していることを示す。我々は,スクリブルラベルで訓練したモデルが,フルピクセルワイドセグメンテーションラベルと同じ性能向上を示すことを示す。
論文参考訳（メタデータ） (2022-01-07T18:12:34Z)
Label-Assemble: Leveraging Multiple Datasets with Partial Labels [68.46767639240564]
Label-Assemble”は、公開データセットのアセンブリから部分的なラベルの可能性を最大限に活用することを目的としている。陰例からの学習は,コンピュータ支援型疾患の診断と検出の双方を促進することが判明した。
論文参考訳（メタデータ） (2021-09-25T02:48:17Z)
Learning to Aggregate and Refine Noisy Labels for Visual Sentiment Analysis [69.48582264712854]
本研究では,頑健な視覚的感情分析を行うための頑健な学習手法を提案する。本手法は,トレーニング中にノイズラベルを集約・フィルタリングするために外部メモリに依存している。公開データセットを用いたラベルノイズを用いた視覚的感情分析のベンチマークを構築した。
論文参考訳（メタデータ） (2021-09-15T18:18:28Z)
Extracting and Learning Fine-Grained Labels from Chest Radiographs [0.157292030677369]
胸部X線画像の微細なラベルの抽出と学習に焦点を当てた。今までで最大の発見スペクトルを示す457個の細粒度ラベルが選択された。高精度なラベル抽出プロセスと,詳細なラベルの信頼性のある学習結果を示す。
論文参考訳（メタデータ） (2020-11-18T19:56:08Z)
Interaction Matching for Long-Tail Multi-Label Classification [57.262792333593644]
既存のマルチラベル分類モデルにおいて,制約に対処するためのエレガントで効果的なアプローチを提案する。ソフトなn-gram相互作用マッチングを実行することで、ラベルと自然言語記述をマッチングする。
論文参考訳（メタデータ） (2020-05-18T15:27:55Z)

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。