Fugu-MT 論文翻訳(概要): QuST: QuPath Extension for Integrative Whole Slide Image and Spatial Transcriptomics Analysis

論文の概要: QuST: QuPath Extension for Integrative Whole Slide Image and Spatial Transcriptomics Analysis

arxiv url: http://arxiv.org/abs/2406.01613v3
Date: Fri, 15 Nov 2024 05:50:55 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-18 18:55:21.062477
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, Sara Lichtarge, Diane Fernandez,
Abstract要約: デジタル病理学におけるAIの統合は、病気の理解を深める大きな可能性を秘めている。本稿では,WSIとSTのギャップを埋めるツールQuSTを紹介する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: The integration of AI in digital pathology, particularly in whole slide image (WSI) and spatial transcriptomics (ST) analysis, holds immense potential for enhancing our understanding of diseases. Despite challenges such as training pattern preparation and resolution disparities, the convergence of these technologies can unlock new insights. We introduce QuST, a tool that bridges the gap between WSI and ST, underscoring the transformative power of this integrated approach in disease biology.
Abstract（参考訳）: デジタル病理学におけるAIの統合、特に全スライド画像(WSI)と空間転写学(ST)分析は、病気の理解を深める大きな可能性を秘めている。トレーニングパターンの準備や解像度の格差といった課題にもかかわらず、これらの技術の収束は新たな洞察を解き放つことができる。本稿では,WSIとSTのギャップを埋めるツールQuSTを紹介する。

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。