論文の概要: QuST: QuPath Extension for Integrative Whole Slide Image and Spatial Transcriptomics Analysis
- arxiv url: http://arxiv.org/abs/2406.01613v2
- Date: Mon, 1 Jul 2024 19:40:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 06:49:41.264461
- Title: QuST: QuPath Extension for Integrative Whole Slide Image and Spatial Transcriptomics Analysis
- Title（参考訳）: QuST: QuPath Extension for Integrative Whole Slide Image and Space Transcriptomics Analysis
- Authors: Chao-Hui Huang,
- Abstract要約: 我々は、H&E WSIとST分析タスクのギャップを埋めるために設計されたQuPath拡張QuSTを紹介する。
本稿では,病の理解におけるDLベースのWSI分析とST分析の統合の重要性を強調した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, various technologies have been introduced into digital pathology, including artificial intelligence (AI) driven methods, in both areas of pathological whole slide image (WSI) analysis and spatial transcriptomics (ST) analysis. AI-driven WSI analysis utilizes the power of deep learning (DL), expands the field of view for histopathological image analysis. On the other hand, ST bridges the gap between tissue spatial analysis and biological signals, offering the possibility to understand the spatial biology. However, a major bottleneck in DL-based WSI analysis is the preparation of training patterns, as hematoxylin & eosin (H&E) staining does not provide direct biological evidence, such as gene expression, for determining the category of a biological component. On the other hand, as of now, the resolution in ST is far beyond that of WSI, resulting the challenge of further spatial analysis. Although various WSI analysis tools, including QuPath, have cited the use of WSI analysis tools in the context of ST analysis, its usage is primarily focused on initial image analysis, with other tools being utilized for more detailed transcriptomic analysis. As a result, the information hidden beneath WSI has not yet been fully utilized to support ST analysis. To bridge this gap, we introduce QuST, a QuPath extension designed to bridge the gap between H&E WSI and ST analyzing tasks. In this paper, we highlight the importance of integrating DL-based WSI analysis and ST analysis in understanding disease biology and the challenges in integrating these modalities due to differences in data formats and analytical methods. The QuST source code is hosted on GitHub and documentation is available at (https://github.com/huangch/qust).
- Abstract（参考訳）: 近年,病的全スライド画像 (WSI) 解析と空間転写学 (ST) 解析の両分野において,人工知能 (AI) による手法を含む様々な技術がデジタル病理学に導入されている。
AIによるWSI分析は、深層学習(DL)の力を利用して、病理画像解析のための視野を広げる。
一方、STは組織空間分析と生体信号のギャップを埋め、空間生物学を理解することができる。
しかし、DLベースのWSI分析における大きなボトルネックは、ヘマトキシリン&エオシン(H&E)染色は、生物学的成分の分類を決定するために、遺伝子発現のような直接的な生物学的証拠を提供しないため、トレーニングパターンの作成である。
一方、現在、STの分解能はWSIの分解能をはるかに超えており、さらなる空間分析の課題となっている。
QuPathを含む様々なWSI分析ツールは、ST分析の文脈におけるWSI分析ツールの使用を引用しているが、その使用は主に初期画像分析に焦点を当てており、その他のツールはより詳細な転写解析に利用されている。
その結果、WSIの下に隠された情報は、ST分析をサポートするためにまだ十分に利用されていない。
このギャップを埋めるために、我々は、H&E WSIとST分析タスクのギャップを埋めるために設計されたQuPath拡張QuSTを紹介します。
本稿では,病の理解におけるDLベースのWSI分析とST分析の統合の重要性と,データ形式や解析手法の違いによるこれらのモダリティの統合の課題について述べる。
QuST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://github.com/huangch/qust.orgで公開されている。
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) - Slide-based Graph Collaborative Training for Histopathology Whole Slide Image Analysis [7.823674912857107]
我々は既存のMIL(Multiple Instance Learning)フレームワークに適応できる汎用的なWSI分析パイプラインSlideGCDを提案する。
新しいパラダイムでは、がん開発に関する事前知識がエンドツーエンドのワークフローに参加することができる。
論文 参考訳（メタデータ） (2024-10-14T08:14:40Z) - 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) - Advances in Multiple Instance Learning for Whole Slide Image Analysis: Techniques, Challenges, and Future Directions [17.905234121399456]
全スライド画像(WSI)は、病理に広く用いられているH&E染色組織サンプルのギガピクセルスケールのデジタル画像である。
WSIのかなりのサイズと複雑さは、ユニークな分析上の課題を引き起こします。
MIL(Multiple Instance Learning)は、これらの課題に対処するための強力なアプローチとして登場した。
論文 参考訳（メタデータ） (2024-08-18T13:45:27Z) - Decomposing Disease Descriptions for Enhanced Pathology Detection: A Multi-Aspect Vision-Language Pre-training Framework [43.453943987647015]
医学的な視覚言語事前訓練は研究の最前線として現れ、ゼロショットの病理診断を可能にしている。
バイオメディカルテキストの複雑なセマンティクスのため、現在の方法では、医学的画像と、非構造化レポートの重要な病理学的所見の整合に苦慮している。
これは、大きな言語モデルと医療専門家に相談することで達成される。
我々の研究は、近年の手法の精度を最大8.56%まで改善し、17.26%を目に見えるカテゴリーで改善した。
論文 参考訳（メタデータ） (2024-03-12T13:18:22Z) - 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) - 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) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳（メタデータ） (2020-10-07T08:36:44Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z)
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。