論文の概要: Rethinking Histology Slide Digitization Workflows for Low-Resource Settings

• arxiv url: http://arxiv.org/abs/2405.08169v1
• Date: Mon, 13 May 2024 20:26:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-15 15:37:23.390501
• Title: Rethinking Histology Slide Digitization Workflows for Low-Resource Settings
• Title（参考訳）: 低リソース設定のためのヒストロジースライドデジタル化ワークフローの再考
• Authors: Talat Zehra, Joseph Marino, Wendy Wang, Grigoriy Frantsuzov, Saad Nadeem,
• Abstract要約: アップロードされた低品質ビデオから,スキャナ品質のWSIを作成するための新しいクラウドスライドデジタイゼーションワークフローを提案する。 出力領域から10X画像を40倍の解像度にアップサンプリングし、輝度/コントラストと光源照明を低減しつつ、WSIを自動で生成するパイプラインを提案する。 世界保健機関(WHO)が宣言した熱帯病(Cutaneous Leishmaniasis)のワークフローから創出する効果を実証した。
• 参考スコア（独自算出の注目度）: 8.122953016935796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Histology slide digitization is becoming essential for telepathology (remote consultation), knowledge sharing (education), and using the state-of-the-art artificial intelligence algorithms (augmented/automated end-to-end clinical workflows). However, the cumulative costs of digital multi-slide high-speed brightfield scanners, cloud/on-premises storage, and personnel (IT and technicians) make the current slide digitization workflows out-of-reach for limited-resource settings, further widening the health equity gap; even single-slide manual scanning commercial solutions are costly due to hardware requirements (high-resolution cameras, high-spec PC/workstation, and support for only high-end microscopes). In this work, we present a new cloud slide digitization workflow for creating scanner-quality whole-slide images (WSIs) from uploaded low-quality videos, acquired from cheap and inexpensive microscopes with built-in cameras. Specifically, we present a pipeline to create stitched WSIs while automatically deblurring out-of-focus regions, upsampling input 10X images to 40X resolution, and reducing brightness/contrast and light-source illumination variations. We demonstrate the WSI creation efficacy from our workflow on World Health Organization-declared neglected tropical disease, Cutaneous Leishmaniasis (prevalent only in the poorest regions of the world and only diagnosed by sub-specialist dermatopathologists, rare in poor countries), as well as other common pathologies on core biopsies of breast, liver, duodenum, stomach and lymph node. The code and pretrained models will be accessible via our GitHub (https://github.com/nadeemlab/DeepLIIF), and the cloud platform will be available at https://deepliif.org for uploading microscope videos and downloading/viewing WSIs with shareable links (no sign-in required) for telepathology and knowledge sharing.
• Abstract（参考訳）: 遠隔コンサルテーション、知識共有(教育)、最先端の人工知能アルゴリズム(拡張/自動化されたエンドツーエンド臨床ワークフロー)の利用には、ヒストロジースライドのデジタル化が欠かせないものになりつつある。 しかし、デジタルマルチスライダーの高速照準スキャナー、クラウド/オンプレミスストレージ、人員(ITと技術者)の累積コストは、現在のスライドデジタル化ワークフローを、限られたリソース設定でアウトオブリーチし、健康格差をさらに広げている。 本研究では,低コストで安価な顕微鏡とカメラを内蔵した低画質ビデオから,スキャナ品質のWSIを作成するための新しいクラウドスライドデジタイゼーションワークフローを提案する。 具体的には、10Xイメージを40倍の解像度にアップサンプリングし、輝度/コントラストおよび光源照明のばらつきを低減しつつ、縫合したWSIを生成するパイプラインを提案する。 われわれは,世界保健機関(WTO)が宣言した熱帯病,Cutaneous Leishmaniasis(世界で最も貧しい地域でのみ発生し,貧しい国では稀なサブスペシャリスト皮膚病理医によってのみ診断される),および乳腺,肝臓,十二指腸,胃,リンパ節のコア生検におけるWSI産生効果を実証した。 コードと事前トレーニングされたモデルはGitHub(https://github.com/nadeemlab/DeepLIIF)からアクセスでき、クラウドプラットフォームはhttps://deepliif.orgで顕微鏡ビデオのアップロードと、テレパロジーと知識共有のための共有リンク(サインイン不要)を備えたWSIのダウンロード/ビューが可能になる。

関連論文リスト

• 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)
• Synthetic Medical Imaging Generation with Generative Adversarial Networks For Plain Radiographs [34.98319691651471]
  本研究の目的は、再利用可能なオープンソースの合成画像生成パイプラインであるGAN画像合成ツール(GIST)を開発することである。 このパイプラインは、特定の患者に関連付けられていない高品質な合成画像データを生成することによって、デジタルヘルス空間におけるAIアルゴリズムの改善と標準化を支援する。
  論文  参考訳（メタデータ） (2024-03-28T02:51:33Z)
• Artifact-Robust Graph-Based Learning in Digital Pathology [2.9998889086656586]
  全スライド画像(WSI)は、高度なスキャナーを用いてガラススライドに配置された組織のデジタル化画像である。 本研究では,これらのアーティファクトを考慮に入れた,新しい堅牢な学習手法を提案する。 前立腺癌データセットを用いたモデルの精度とスコアは、非ロバストアルゴリズムと比較すると、癌診断において顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-10-27T15:06:01Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Slideflow: Deep Learning for Digital Histopathology with Real-Time Whole-Slide Visualization [49.62449457005743]
  われわれはSlideflowと呼ばれる病理組織学のための柔軟なディープラーニングライブラリを開発した。 デジタル病理学のための幅広い深層学習手法をサポートしている。 トレーニングされたモデルをデプロイするための、高速な全スライドインターフェースが含まれている。
  論文  参考訳（メタデータ） (2023-04-09T02:49:36Z)
• Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
  本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。 学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
  論文  参考訳（メタデータ） (2022-12-31T08:58:39Z)
• 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)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• Ink Marker Segmentation in Histopathology Images Using Deep Learning [1.0118241139691948]
  本稿では, 深層ネットワークを通じて, 病的パッチのインクマーク領域を分割することを提案する。 スライド画像全体の79ドルのデータセットと4,305ドルのパッチが作成され、さまざまなネットワークがトレーニングされた。 その結果、EffiecentNet-B3をベースとしたFPNモデルは、F1スコア94.53%の優れた構成であることが判明した。
  論文  参考訳（メタデータ） (2020-10-29T18:09:59Z)

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。