論文の概要: HoloHisto: End-to-end Gigapixel WSI Segmentation with 4K Resolution Sequential Tokenization

• arxiv url: http://arxiv.org/abs/2407.03307v1
• Date: Wed, 3 Jul 2024 17:49:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 13:05:47.111909
• Title: HoloHisto: End-to-end Gigapixel WSI Segmentation with 4K Resolution Sequential Tokenization
• Title（参考訳）: HoloHisto: 4K解像度シーケンストークン化によるエンドツーエンドギガピクセルWSIセグメンテーション
• Authors: Yucheng Tang, Yufan He, Vishwesh Nath, Pengfeig Guo, Ruining Deng, Tianyuan Yao, Quan Liu, Can Cui, Mengmeng Yin, Ziyue Xu, Holger Roth, Daguang Xu, Haichun Yang, Yuankai Huo,
• Abstract要約: デジタル病理学では、ディープラーニングに基づくイメージセグメンテーションの伝統的な方法は通常、2段階のプロセスを含む。 本稿では,ギガピクセルWSI上でのエンドツーエンドのセグメンテーションを実現するために,ホロヒスト法(HoloHisto)セグメンテーション法を提案する。 HoloHistoプラットフォームでは、超高解像度の4Kサンプルをランダムに公開しています。
• 参考スコア（独自算出の注目度）: 21.1691961979094
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In digital pathology, the traditional method for deep learning-based image segmentation typically involves a two-stage process: initially segmenting high-resolution whole slide images (WSI) into smaller patches (e.g., 256x256, 512x512, 1024x1024) and subsequently reconstructing them to their original scale. This method often struggles to capture the complex details and vast scope of WSIs. In this paper, we propose the holistic histopathology (HoloHisto) segmentation method to achieve end-to-end segmentation on gigapixel WSIs, whose maximum resolution is above 80,000$\times$70,000 pixels. HoloHisto fundamentally shifts the paradigm of WSI segmentation to an end-to-end learning fashion with 1) a large (4K) resolution base patch for elevated visual information inclusion and efficient processing, and 2) a novel sequential tokenization mechanism to properly model the contextual relationships and efficiently model the rich information from the 4K input. To our best knowledge, HoloHisto presents the first holistic approach for gigapixel resolution WSI segmentation, supporting direct I/O of complete WSI and their corresponding gigapixel masks. Under the HoloHisto platform, we unveil a random 4K sampler that transcends ultra-high resolution, delivering 31 and 10 times more pixels than standard 2D and 3D patches, respectively, for advancing computational capabilities. To facilitate efficient 4K resolution dense prediction, we leverage sequential tokenization, utilizing a pre-trained image tokenizer to group image features into a discrete token grid. To assess the performance, our team curated a new kidney pathology image segmentation (KPIs) dataset with WSI-level glomeruli segmentation from whole mouse kidneys. From the results, HoloHisto-4K delivers remarkable performance gains over previous state-of-the-art models.
• Abstract（参考訳）: デジタル病理学において、ディープラーニングに基づくイメージセグメンテーションの伝統的な方法は、2段階のプロセスを含む: 最初は、高解像度のスライド画像(WSI)を小さなパッチ(例えば、256x256, 512x512, 1024x1024)に分割し、その後、それらを元のスケールに再構築する。 この方法は、WSIの複雑な詳細と広範囲のスコープを捉えるのに苦労することが多い。 本稿では,ギガピクセルWSIの最大解像度が80,000$\times$70,000ピクセルを超えるエンドツーエンドのセグメンテーションを実現するために,HoloHisto(HoloHisto)セグメンテーション法を提案する。 HoloHistoがWSIセグメンテーションのパラダイムをエンドツーエンドの学習スタイルに根本的にシフト 1)高次視覚情報包摂・効率的な処理のための4K解像度ベースパッチ 2) 文脈関係を適切にモデル化し、4K入力からリッチな情報を効率的にモデル化する新しいシーケンシャルトークン化機構。 我々の知る限り、HoloHistoはギガピクセル分解能WSIセグメンテーションの最初の全体的アプローチを示し、完全なWSIとそれに対応するギガピクセルマスクの直接I/Oをサポートする。 HoloHistoプラットフォームでは、超高解像度のランダム4Kサンプルを公開し、標準的な2Dおよび3Dパッチの31倍と10倍のピクセルを処理能力の向上のために提供します。 高速な4K解像度高密度予測を実現するために,事前学習した画像トークン化器を用いて,画像特徴を離散トークングリッドにグループ化する。 本研究チームは, マウス全腎からWSIレベルの糸球体セグメンテーションを用いた新しい腎病理画像セグメンテーション(KPIs)データセットを作製した。 結果から,HoloHisto-4Kは従来の最先端モデルよりも顕著な性能向上を実現している。

関連論文リスト

• xT: Nested Tokenization for Larger Context in Large Images [79.37673340393475]
  xTは、グローバルコンテキストを局所的な詳細で集約するビジョントランスフォーマーのフレームワークである。 我々は、挑戦的な分類タスクにおいて、精度を最大8.6%向上させることができる。
  論文  参考訳（メタデータ） (2024-03-04T10:29:58Z)
• ClusterFormer: Clustering As A Universal Visual Learner [80.79669078819562]
  CLUSTERFORMERは、トランスフォーマーを用いたCLUSTERingパラダイムに基づくユニバーサルビジョンモデルである。 不均一な視覚タスクに様々なレベルのクラスタリングの粒度で対処することができる。 その有効性のために、コンピュータビジョンにおける普遍モデルにおけるパラダイムシフトを触媒できることを期待します。
  論文  参考訳（メタデータ） (2023-09-22T22:12:30Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• CUF: Continuous Upsampling Filters [25.584630142930123]
  本稿では,画像処理における最も重要な操作の一つとして,アップサンプリングについて考察する。 本稿では、アップサンプリングカーネルをニューラルネットワークとしてパラメータ化することを提案する。 このパラメータ化により、競合する任意のスケールの超解像アーキテクチャと比較して40倍のパラメータ数の削減が得られる。
  論文  参考訳（メタデータ） (2022-10-13T12:45:51Z)
• One-shot Ultra-high-Resolution Generative Adversarial Network That Synthesizes 16K Images On A Single GPU [1.9060575156739825]
  OUR-GANは、単一のトレーニング画像から反復的でない16K画像を生成するワンショット生成対向ネットワークフレームワークである。 OUR-GANは12.5GBのGPUメモリと4Kの画像をわずか4.29GBで合成できる。 OUR-GANは、単一のコンシューマGPU上で反復的でないUHR画像を生成する最初のワンショット画像合成器である。
  論文  参考訳（メタデータ） (2022-02-28T13:48:41Z)
• Superpixel Pre-Segmentation of HER2 Slides for Efficient Annotation [5.6032514243845455]
  乳がん診断におけるHER2染色画像の前処理にスーパーピクセルを用いた。 これらの評価は, 効率的な手動精錬のためのプレセグメンテーションのための第1報である。
  論文  参考訳（メタデータ） (2022-01-19T12:51:33Z)
• Dense Gaussian Processes for Few-Shot Segmentation [66.08463078545306]
  本稿では,高密度ガウス過程(GP)回帰に基づく数発のセグメンテーション法を提案する。 GPの高次元出力空間を学習するために,提案手法のエンドツーエンド学習機能を利用する。 提案手法では,PASCAL-5$i$とCOCO-20$i$のベンチマークで,1ショットと5ショットのFSSをそれぞれ新たな最先端に設定する。
  論文  参考訳（メタデータ） (2021-10-07T17:57:54Z)
• Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
  ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。 本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-18T00:21:17Z)
• PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
  画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。 このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
  論文  参考訳（メタデータ） (2021-08-09T04:58:23Z)
• An Efficient Cervical Whole Slide Image Analysis Framework Based on Multi-scale Semantic and Spatial Features using Deep Learning [2.7218168309244652]
  本研究では,YOLCO(You Only Look Cytopathology Once)という名前の軽量モデルを構築するために,マルチスケール接続を充実させることにより,新しいインライン接続ネットワーク(InCNet)を設計する。 提案したモデルでは、入力サイズをメガピクセルに拡大し、平均リピートで重なり合うことなくWSIを縫合することができる。 統合マルチスケールマルチタスクの特徴を分類するためのTransformerに基づいて、実験結果は、WSI分類における従来の方法よりも0.872$ AUCスコアが良く、2.51times$速く見える。
  論文  参考訳（メタデータ） (2021-06-29T06:24:55Z)

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。