論文の概要: SPLICE -- Streamlining Digital Pathology Image Processing
- arxiv url: http://arxiv.org/abs/2404.17704v1
- Date: Fri, 26 Apr 2024 21:30:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-30 19:40:37.915838
- Title: SPLICE -- Streamlining Digital Pathology Image Processing
- Title（参考訳）: SPLICE -- デジタル病理画像処理の合理化
- Authors: Areej Alsaafin, Peyman Nejat, Abubakr Shafique, Jibran Khan, Saghir Alfasly, Ghazal Alabtah, H. R. Tizhoosh,
- Abstract要約: 画像分類・問合せのための教師なしパッチアルゴリズムSPLICE(Sequential Patching Lattice for Image Classification and Enquiry)を提案する。
SPLICEは、病理組織学的WSIをコンパクトな代表パッチセットに凝縮し、冗長性を最小化しながらWSIの"コラージュ"を形成する。
教師なしの方法として、SPLICEは組織像の保存要求を50%削減する。
- 参考スコア（独自算出の注目度）: 0.7852714805965528
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Digital pathology and the integration of artificial intelligence (AI) models have revolutionized histopathology, opening new opportunities. With the increasing availability of Whole Slide Images (WSIs), there's a growing demand for efficient retrieval, processing, and analysis of relevant images from vast biomedical archives. However, processing WSIs presents challenges due to their large size and content complexity. Full computer digestion of WSIs is impractical, and processing all patches individually is prohibitively expensive. In this paper, we propose an unsupervised patching algorithm, Sequential Patching Lattice for Image Classification and Enquiry (SPLICE). This novel approach condenses a histopathology WSI into a compact set of representative patches, forming a "collage" of WSI while minimizing redundancy. SPLICE prioritizes patch quality and uniqueness by sequentially analyzing a WSI and selecting non-redundant representative features. We evaluated SPLICE for search and match applications, demonstrating improved accuracy, reduced computation time, and storage requirements compared to existing state-of-the-art methods. As an unsupervised method, SPLICE effectively reduces storage requirements for representing tissue images by 50%. This reduction enables numerous algorithms in computational pathology to operate much more efficiently, paving the way for accelerated adoption of digital pathology.
- Abstract（参考訳）: デジタル病理学と人工知能(AI)モデルの統合は、病理学に革命をもたらし、新たな機会を生み出した。
WSI(Whole Slide Images)が利用可能になるにつれて、膨大なバイオメディカルアーカイブから関連画像の効率的な検索、処理、分析への需要が高まっています。
しかし、WSIの処理は、そのサイズとコンテントの複雑さが問題となる。
WSIの完全なコンピュータ消化は非現実的であり、パッチを個別に処理することは違法に高価である。
本稿では,画像分類・問合せのための非教師付きパッチアルゴリズムであるSequential Patching Latticeを提案する。
この新しいアプローチは、病理組織学的WSIをコンパクトな代表パッチセットに凝縮し、冗長性を最小化しながらWSIの"コラージュ"を形成する。
SPLICEは、WSIを逐次解析し、非冗長な代表機能を選択することで、パッチの品質とユニークさを優先する。
検索およびマッチングのためのSPLICEを評価し,既存の最先端手法と比較して,精度の向上,計算時間短縮,ストレージ要件について検討した。
教師なしの方法として、SPLICEは組織像の保存要求を50%削減する。
この削減により、計算病理学における多くのアルゴリズムがより効率的に動作し、デジタル病理学の採用を加速する道を開くことができる。
関連論文リスト
- Clustered Patch Embeddings for Permutation-Invariant Classification of Whole Slide Images [2.6733991338938026]
Whole Slide Imaging (WSI)は、デジタル病理学の基礎であり、診断と研究に不可欠な詳細な洞察を提供する。
しかし、WSIのギガピクセルサイズは計算上の大きな課題を課し、実用性を制限している。
我々の新しいアプローチは、様々なエンコーダをインテリジェントなデータ還元に活用し、WSIの堅牢で置換不変な表現を保証するために異なる分類モデルを採用することで、これらの課題に対処する。
論文 参考訳（メタデータ） (2024-11-13T11:25:05Z) - Efficient Whole Slide Image Classification through Fisher Vector Representation [2.4472081831862655]
本稿では,最も情報性の高いパッチの識別と検証を自動化し,WSI分類の新しい手法を提案する。
提案手法は2段階からなる。まず,その病理学的意義に基づいて,WSIから少数のパッチのみを抽出し,次いで,これらのパッチから抽出した特徴を表現するためにFisherベクトルを用いる。
このアプローチは、WSI表現内の主要な病理的特徴をアクセントするだけでなく、計算オーバーヘッドを大幅に減らし、プロセスをより効率的かつスケーラブルにする。
論文 参考訳（メタデータ） (2024-11-13T11:24:12Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - A Short Survey on Set-Based Aggregation Techniques for Single-Vector WSI Representation in Digital Pathology [0.0]
デジタル病理学は、スライド画像全体(WSI)としての組織サンプルのデジタル化、保存、分析を可能にすることによって、病理学の分野に革命をもたらす
WSIは、組織サンプルの複雑な詳細をキャプチャするギガピクセルファイルであり、診断と研究目的のための豊富な情報ソースを提供する。
その巨大さのため、これらの画像を1つのコンパクトベクトルとして表現することは、多くの計算病理学的タスクに不可欠である。
論文 参考訳（メタデータ） (2024-09-06T20:56:25Z) - A self-supervised framework for learning whole slide representations [52.774822784847565]
我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。
バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
論文 参考訳（メタデータ） (2024-02-09T05:05:28Z) - Diffusion-based generation of Histopathological Whole Slide Images at a
Gigapixel scale [10.481781668319886]
Synthetic Whole Slide Images (WSI)は、多くの計算アプリケーションの性能を高めるためにトレーニングデータセットを増強することができる。
既存のディープラーニングベースの手法は、WSIを通常高い解像度で生成しない。
本稿では,高分解能 WSI の画像生成に取り組むために,新しい粗大なサンプリング手法を提案する。
論文 参考訳（メタデータ） (2023-11-14T14:33:39Z) - 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) - Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。
HSI再構成のための深層学習にHSI空間を埋め込んだCST
特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
論文 参考訳（メタデータ） (2022-03-09T16:17:47Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。