論文の概要: Analysis and Validation of Image Search Engines in Histopathology
- arxiv url: http://arxiv.org/abs/2401.03271v1
- Date: Sat, 6 Jan 2024 18:17:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 19:23:14.442218
- Title: Analysis and Validation of Image Search Engines in Histopathology
- Title(参考訳): 病理組織学における画像検索エンジンの解析と検証
- Authors: Isaiah Lahr, Saghir Alfasly, Peyman Nejat, Jibran Khan, Luke Kottom,
Vaishnavi Kumbhar, Areej Alsaafin, Abubakr Shafique, Sobhan Hemati, Ghazal
Alabtah, Nneka Comfere, Dennis Murphee, Aaron Mangold, Saba Yasir, Chady
Meroueh, Lisa Boardman, Vijay H. Shah, Joaquin J. Garcia, H.R. Tizhoosh
- Abstract要約: 全スライド画像(WSI)は、ガラススライドに装着された組織標本の詳細なデジタル表現である。
WSI と WSI のマッチングは、患者マッチングのクリティカルな方法として機能する。
視覚単語袋(BoVW)、ヨッティクセル(Yottixel)、SISH(SISH)、RetCCL(RetCCL)など4種類の検索手法の広範な解析と検証を行った。
- 参考スコア(独自算出の注目度): 1.2624578665578894
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Searching for similar images in archives of histology and histopathology
images is a crucial task that may aid in patient matching for various purposes,
ranging from triaging and diagnosis to prognosis and prediction. Whole slide
images (WSIs) are highly detailed digital representations of tissue specimens
mounted on glass slides. Matching WSI to WSI can serve as the critical method
for patient matching. In this paper, we report extensive analysis and
validation of four search methods bag of visual words (BoVW), Yottixel, SISH,
RetCCL, and some of their potential variants. We analyze their algorithms and
structures and assess their performance. For this evaluation, we utilized four
internal datasets ($1269$ patients) and three public datasets ($1207$
patients), totaling more than $200,000$ patches from $38$ different
classes/subtypes across five primary sites. Certain search engines, for
example, BoVW, exhibit notable efficiency and speed but suffer from low
accuracy. Conversely, search engines like Yottixel demonstrate efficiency and
speed, providing moderately accurate results. Recent proposals, including SISH,
display inefficiency and yield inconsistent outcomes, while alternatives like
RetCCL prove inadequate in both accuracy and efficiency. Further research is
imperative to address the dual aspects of accuracy and minimal storage
requirements in histopathological image search.
- Abstract(参考訳): 病理組織学および病理組織学画像アーカイブにおける類似画像の検索は、トリアージや診断から予後や予測に至るまで、さまざまな目的の患者マッチングを支援する重要な課題である。
全スライド画像(WSI)は、ガラススライドに装着された組織標本の詳細なデジタル表現である。
WSI と WSI のマッチングは、患者マッチングのクリティカルな方法として機能する。
本稿では,4種類の検索手法(BoVW, Yottixel, SISH, RetCCL, およびそれらの潜在的な変種について,広範囲に解析および検証を行った。
アルゴリズムと構造を分析し,その性能を評価する。
この評価には、4つの内部データセット(1269ドル患者)と3つの公開データセット(127ドル患者)を使用し、5つの主要サイトにわたる380ドルのクラス/サブタイプから合計20万ドル以上をパッチした。
例えば、BoVWのような検索エンジンは、顕著な効率と速度を示すが、精度は低い。
逆に、Yottixelのような検索エンジンは効率とスピードを示し、適度に正確な結果を提供する。
SISHを含む最近の提案では、非効率性を示し、一貫性のない結果をもたらす一方、RetCCLのような代替案は精度と効率の両方において不十分である。
病理画像検索における精度と保存要件の2つの側面に対処するためには,さらなる研究が必要である。
関連論文リスト
- Rotation-Agnostic Image Representation Learning for Digital Pathology [0.8246494848934447]
本稿では,全スライディング画像(WSI)解析のための高速パッチ選択法FPSを提案する。
また5つのTransformerブロックの最小構成を持つ軽量な病理機能抽出器であるPathDinoも紹介されている。
本モデルでは,12種類の異なるデータセット上で,既存の病理組織特異的ビジョントランスフォーマーよりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-11-14T18:01:15Z) - Histopathology Slide Indexing and Search: Are We There Yet? [0.9867627975175174]
固形腫瘍の3症例における3種類の病理組織学的スライドサーチエンジン(Yottixel,SISH,RetCCL)の臨床的準備について検討した。
3つの画像検索エンジンは、一貫して信頼性のある結果が得られず、悪性の粒度と微妙な特徴を捉えるのに困難であることがわかった。
論文 参考訳(メタデータ) (2023-06-29T15:11:20Z) - Hierarchical Transformer for Survival Prediction Using Multimodality
Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。
本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。
より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文 参考訳(メタデータ) (2022-11-29T23:47:56Z) - PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for
Cross-Dataset Medical Image Analysis [0.22485007639406518]
新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。
本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
論文 参考訳(メタデータ) (2022-08-19T15:49:47Z) - Data-Efficient Vision Transformers for Multi-Label Disease
Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。
ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。
以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文 参考訳(メタデータ) (2022-08-17T09:07:45Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳(メタデータ) (2021-08-07T10:12:42Z) - Fast and Scalable Image Search For Histology [4.622876656735859]
同様の病理画像検索は、スライド画像全体のギガピクセルの大規模な履歴リポジトリをマージする機会を提供する。
Fast Image Search for Histopathology (FISH)は、画像データベースのサイズに依存しない、無限にスケーラブルな検索速度を実現する。
FISHは自己教師型ディープラーニングを用いてWSIとVan Emde Boasツリーから有意義な表現をエンコードして高速検索を行う。
論文 参考訳(メタデータ) (2021-07-28T18:15:03Z) - An Efficient Cervical Whole Slide Image Analysis Framework Based on
Multi-scale Semantic and Spatial Features using Deep Learning [2.7218168309244652]
本研究では,YOLCO(You Only Look Cytopathology Once)という名前の軽量モデルを構築するために,マルチスケール接続を充実させることにより,新しいインライン接続ネットワーク(InCNet)を設計する。
提案したモデルでは、入力サイズをメガピクセルに拡大し、平均リピートで重なり合うことなくWSIを縫合することができる。
統合マルチスケールマルチタスクの特徴を分類するためのTransformerに基づいて、実験結果は、WSI分類における従来の方法よりも0.872$ AUCスコアが良く、2.51times$速く見える。
論文 参考訳(メタデータ) (2021-06-29T06:24:55Z) - 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) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳(メタデータ) (2021-01-14T03:45:01Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳(メタデータ) (2020-01-24T21:09:18Z)
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。