論文の概要: Open and reusable deep learning for pathology with WSInfer and QuPath
- arxiv url: http://arxiv.org/abs/2309.04631v1
- Date: Fri, 8 Sep 2023 22:47:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 17:29:29.957682
- Title: Open and reusable deep learning for pathology with WSInfer and QuPath
- Title（参考訳）: WSInferとQuPathによる病理のためのオープンで再利用可能なディープラーニング
- Authors: Jakub R. Kaczmarzyk, Alan O'Callaghan, Fiona Inglis, Tahsin Kurc,
Rajarsi Gupta, Erich Bremer, Peter Bankhead, Joel H. Saltz
- Abstract要約: WSInferは、病理の深い学習をより合理化し、アクセスしやすくするために設計された、新しいオープンソースのソフトウェアエコシステムです。
2)ユーザフレンドリでインタラクティブなソフトウェアを通じて代替の推論エンジンを提供するQuPath拡張、3)病理モデルとメタデータを標準化された形式で簡単に共有できるモデル動物園である。
- 参考スコア（独自算出の注目度）: 2.554961754124123
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The field of digital pathology has seen a proliferation of deep learning
models in recent years. Despite substantial progress, it remains rare for other
researchers and pathologists to be able to access models published in the
literature and apply them to their own images. This is due to difficulties in
both sharing and running models. To address these concerns, we introduce
WSInfer: a new, open-source software ecosystem designed to make deep learning
for pathology more streamlined and accessible. WSInfer comprises three main
elements: 1) a Python package and command line tool to efficiently apply
patch-based deep learning inference to whole slide images; 2) a QuPath
extension that provides an alternative inference engine through user-friendly
and interactive software, and 3) a model zoo, which enables pathology models
and metadata to be easily shared in a standardized form. Together, these
contributions aim to encourage wider reuse, exploration, and interrogation of
deep learning models for research purposes, by putting them into the hands of
pathologists and eliminating a need for coding experience when accessed through
QuPath. The WSInfer source code is hosted on GitHub and documentation is
available at https://wsinfer.readthedocs.io.
- Abstract（参考訳）: デジタル病理学の分野は近年深層学習モデルの普及が見られる。
かなりの進歩にもかかわらず、他の研究者や病理学者が論文で公開されたモデルにアクセスし、自身の画像に適用することは稀である。
これはモデル共有と実行の両方が難しいためである。
これらの懸念に対処するために、我々はWSInferを紹介します。これは、病理学の深い学習をより合理化してアクセス可能にするために設計された、オープンソースの新しいエコシステムです。
wsinfer の主な要素は3つある。
1)Pythonパッケージとコマンドラインツールで,全スライドイメージにパッチベースのディープラーニング推論を効率的に適用する。
2)ユーザフレンドリーでインタラクティブなソフトウェアを通じて代替推論エンジンを提供するqupath拡張と,
3) 病理モデルとメタデータを標準化された形式で簡単に共有できるモデル動物園。
これらの貢献は、研究目的の深層学習モデルの再利用、探索、問合せを促進することを目的としており、これを病理学者の手に委ね、qupath経由でアクセスする際にコーディング経験の必要性をなくすことが目的である。
WSInferのソースコードはGitHubにホストされており、ドキュメントはhttps://wsinfer.readthedocs.ioで公開されている。
関連論文リスト
- MALPOLON: A Framework for Deep Species Distribution Modeling [3.1457219084519004]
MALPOLONは深部種分布モデル(deep-SDM)の訓練と推測を容易にすることを目的としている
Pythonで書かれ、PyTorchライブラリ上に構築されている。
このフレームワークはGitHubとPyPiでオープンソース化されている。
論文 参考訳（メタデータ） (2024-09-26T17:45:10Z) - NNsight and NDIF: Democratizing Access to Foundation Model Internals [48.27939917017487]
NNsightはオープンソースのPythonパッケージで、グラフを構築することで任意のPyTorchモデルの介入を表現できるシンプルなフレキシブルなAPIを備えている。
NDIFは、NNsight APIを通じて基礎的なLLMへのアクセスを提供する共同研究プラットフォームである。
論文 参考訳（メタデータ） (2024-07-18T17:59:01Z) - pyvene: A Library for Understanding and Improving PyTorch Models via
Interventions [79.72930339711478]
$textbfpyvene$は、さまざまなPyTorchモジュールに対するカスタマイズ可能な介入をサポートするオープンソースライブラリである。
私たちは、$textbfpyvene$が、ニューラルモデルへの介入を実行し、他のモデルとインターバルされたモデルを共有するための統一されたフレームワークを提供する方法を示します。
論文 参考訳（メタデータ） (2024-03-12T16:46:54Z) - Catwalk: A Unified Language Model Evaluation Framework for Many Datasets [50.75378592254184]
Catwalkは、既存のNLPデータセットとモデルに統一されたインターフェースを提供する。
キャットウォークは、大規模に制御された実験を行うための障壁を著しく低くする。
論文 参考訳（メタデータ） (2023-12-15T23:11:45Z) - DeepOnto: A Python Package for Ontology Engineering with Deep Learning [21.459646169565602]
ディープラーニングを用いたエンジニアリング用に設計されたPythonパッケージであるDeepOntoを提示する。
DeepOntoは、さまざまなエンジニアリングタスクをサポートする一連のツール、機能、アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-07-06T15:35:02Z) - SequeL: A Continual Learning Library in PyTorch and JAX [50.33956216274694]
SequeLは継続学習のためのライブラリで、PyTorchとJAXフレームワークの両方をサポートする。
それは、正規化ベースのアプローチ、リプレイベースのアプローチ、ハイブリッドアプローチを含む、幅広い連続学習アルゴリズムのための統一インターフェースを提供する。
私たちはSequeLをオープンソースライブラリとしてリリースし、研究者や開発者が自身の目的で簡単にライブラリを実験し拡張することができます。
論文 参考訳（メタデータ） (2023-04-21T10:00:22Z) - MetaHistoSeg: A Python Framework for Meta Learning in Histopathology
Image Segmentation [3.738450972771192]
MetaHistoSegはメタ学習とインスタンスベースのトランスファー学習の両方でユニークなシナリオを実装するPythonフレームワークです。
また、さまざまながんタイプのアウト・オブ・ディストリビューションパフォーマンスに関するモデルをトレーニングし、検証するためのベンチマークデータセットである、病理組織学的メタデータセットもキュレートします。
実験では、メタデータセットでMetaHistoSegの使用例を示し、メタ学習とインスタンスベースのトランスファー学習の両方が平均的に同等の結果をもたらすことを発見した。
論文 参考訳（メタデータ） (2021-09-29T23:05:04Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - RethinkCWS: Is Chinese Word Segmentation a Solved Task? [81.11161697133095]
中国語の単語(CWS)システムの性能は、ディープニューラルネットワークの急速な発展とともに、徐々に高水準に達している。
本稿では、私たちが達成した事柄の株式を取得し、CWSタスクに残されている事柄を再考する。
論文 参考訳（メタデータ） (2020-11-13T11:07:08Z) - FastPathology: An open-source platform for deep learning-based research
and decision support in digital pathology [0.678543866474958]
全体スライディングの顕微鏡画像を扱うためのオープンソースのプラットフォームはいくつかあるが、CNNモデルのデプロイをサポートするものはほとんどない。
FASTフレームワークとC++を使った新しいプラットフォームであるFastPathologyを開発しました。
WSIの読み込みと処理,CNNモデルのデプロイ,結果のリアルタイムインタラクティブな可視化などにおいて,メモリ使用量の最小化を実現している。
論文 参考訳（メタデータ） (2020-11-11T19:35:31Z)
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。