Fugu-MT 論文翻訳(概要): DeeperHistReg: Robust Whole Slide Images Registration Framework

論文の概要: DeeperHistReg: Robust Whole Slide Images Registration Framework

arxiv url: http://arxiv.org/abs/2404.14434v1
Date: Fri, 19 Apr 2024 15:25:06 GMT
ステータス: 処理完了
システム内更新日: 2024-04-24 18:27:13.909899
Title: DeeperHistReg: Robust Whole Slide Images Registration Framework
Title（参考訳）: DeeperHistReg: 完全なスライド画像登録フレームワーク
Authors: Marek Wodzinski, Niccolò Marini, Manfredo Atzori, Henning Müller,
Abstract要約: DeeperHistRegは、複数の染色で取得したスライドイメージ全体(WSI)を登録するためのソフトウェアフレームワークである。これにより、WSIの事前処理、初期アライメント、非厳密な登録を実行することができる。フレームワークはPyPIパッケージとDockerコンテナの両方で利用できる。
参考スコア（独自算出の注目度）: 1.7625447004432986
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: DeeperHistReg is a software framework dedicated to registering whole slide images (WSIs) acquired using multiple stains. It allows one to perform the preprocessing, initial alignment, and nonrigid registration of WSIs acquired using multiple stains (e.g. hematoxylin \& eosin, immunochemistry). The framework implements several state-of-the-art registration algorithms and provides an interface to operate on arbitrary resolution of the WSIs (up to 200k x 200k). The framework is extensible and new algorithms can be easily integrated by other researchers. The framework is available both as a PyPI package and as a Docker container.
Abstract（参考訳）: DeeperHistRegは、複数の染色で取得したスライドイメージ全体(WSI)を登録するためのソフトウェアフレームワークである。複数の染色(例えばヘマトキシリン \&エオシン、免疫化学)を用いて得られるWSIの事前処理、初期アライメント、非厳密な登録を行うことができる。このフレームワークはいくつかの最先端の登録アルゴリズムを実装し、WSIの任意の解像度(最大200k x 200k)で操作するためのインターフェースを提供する。このフレームワークは拡張可能であり、新しいアルゴリズムは他の研究者によって容易に統合できる。フレームワークはPyPIパッケージとDockerコンテナの両方で利用できる。

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)
FAST: A Dual-tier Few-Shot Learning Paradigm for Whole Slide Image Classification [23.323845050957196]
既存のWSI分類法では、少数のきめ細かいラベルや弱い教師付きスライドラベルしか使用していない。利用可能なWSIを十分にマイニングすることができず、WSI分類性能を著しく制限しています。本稿では,WSI分類のためのFASTという,新規で効率的な2層複数ショット学習パラダイムを提案する。
論文参考訳（メタデータ） (2024-09-29T14:31:52Z)
JIST: Joint Image and Sequence Training for Sequential Visual Place Recognition [21.039399444257807]
視覚的場所認識は、視覚的手がかりに頼って、これまで訪れた場所を認識することを目的としており、SLAMとローカライゼーションのためのロボティクスアプリケーションで使用される。マルチタスク学習フレームワークを用いて,大規模な未処理画像集合を利用する新しいJIST(Joint Image and Sequence Training Protocol)を提案する。提案モデルでは,8倍の小さい記述子を用いて,より軽量なアーキテクチャで,さまざまな長さのシーケンスを処理し,より高速な動作を実現している。
論文参考訳（メタデータ） (2024-03-28T19:11:26Z)
Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
論文参考訳（メタデータ） (2023-02-05T02:41:46Z)
1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic Segmentation Track [67.56316745239629]
本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
論文参考訳（メタデータ） (2022-10-23T20:52:22Z)
ARM: Any-Time Super-Resolution Method [72.98897502507789]
Any-time Super-Resolution Method (ARM) は、過パラメータ化された単一画像超解像(SISR)モデルに取り組むために提案される。 ARMは,(1)異なる大きさのSISRネットワークで異なる画像パッチの性能,(2)再構成画像の計算オーバーヘッドと性能との間にはトレードオフがあり,(3)入力画像が与えられた場合,そのエッジ情報はPSNRを推定する有効な選択肢となる。
論文参考訳（メタデータ） (2022-03-21T09:06:26Z)
Accounting for Dependencies in Deep Learning Based Multiple Instance Learning for Whole Slide Imaging [8.712556146101953]
多重インスタンス学習(MIL)は、スライド画像全体(WSI)を分類するための鍵となるアルゴリズムである。ヒストロジー WSI には数十億ピクセルのピクセルがあり、膨大な計算とアノテーションの課題を生み出す。本稿では,インスタンスの擬似ラベルに基づくインスタンス単位の損失関数を提案する。
論文参考訳（メタデータ） (2021-11-01T06:50:33Z)
DSNet: A Dual-Stream Framework for Weakly-Supervised Gigapixel Pathology Image Analysis [78.78181964748144]
スライド画像全体(WSI)を分類するための弱教師付きフレームワークを提案する。 WSIは通常、パッチレベルのラベルを持つパッチワイド分類によって処理される。イメージレベルのラベルのみの場合、パッチの外観とイメージレベルのラベルの矛盾のため、パッチの分類はサブ最適となる。
論文参考訳（メタデータ） (2021-09-13T09:10:43Z)
Cluster-to-Conquer: A Framework for End-to-End Multi-Instance Learning for Whole Slide Image Classification [7.876654642325896]
本稿では,WSI (Whole Slide Images) からのパッチを$k$-groupsにクラスタリングし,各グループから$k'$のパッチをサンプルし,スライドレベルの予測に適応的な注意機構を用いるエンドツーエンドフレームワークを提案する。このフレームワークは、スライドレベルのクロスエントロピー、パッチレベルのクロスエントロピー、KLの分散損失に最適化されている。
論文参考訳（メタデータ） (2021-03-19T04:24:01Z)
Deep learning based registration using spatial gradients and noisy segmentation labels [52.78503776563559]
ディープラーニングベースのアプローチは、高速かつ実行可能な登録戦略を提供することで、非常に人気を博しました。我々の研究は(i)対称な定式化に依存し、ソースからターゲットへの変換とターゲットからソースへの変換を同時に予測し、訓練された表現を類似させる。本手法では,タスク3では0.64ドル,テスト4では0.85ドルの平均ダイスを報告し,3位となった。
論文参考訳（メタデータ） (2020-10-21T11:08:45Z)
RANSAC-Flow: generic two-stage image alignment [53.11926395028508]
単純な教師なしのアプローチは、様々なタスクにおいて驚くほどうまく機能することを示す。その単純さにもかかわらず、我々の手法は様々なタスクやデータセットで競合する結果を示す。
論文参考訳（メタデータ） (2020-04-03T12:37:58Z)

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。