論文の概要: HistoGym: A Reinforcement Learning Environment for Histopathological Image Analysis
- arxiv url: http://arxiv.org/abs/2408.08847v1
- Date: Fri, 16 Aug 2024 17:19:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 14:43:58.093254
- Title: HistoGym: A Reinforcement Learning Environment for Histopathological Image Analysis
- Title（参考訳）: HistoGym: 病理画像解析のための強化学習環境
- Authors: Zhi-Bo Liu, Xiaobo Pang, Jizhao Wang, Shuai Liu, Chen Li,
- Abstract要約: HistoGymは、医師の実際の過程を模倣して、スライド画像全体の診断を促進することを目的としている。
私たちは、WSIベースのシナリオと選択された地域ベースのシナリオを含む、さまざまな臓器や癌のシナリオを提供しています。
- 参考スコア（独自算出の注目度）: 9.615399811006034
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In pathological research, education, and clinical practice, the decision-making process based on pathological images is critically important. This significance extends to digital pathology image analysis: its adequacy is demonstrated by the extensive information contained within tissue structures, which is essential for accurate cancer classification and grading. Additionally, its necessity is highlighted by the inherent requirement for interpretability in the conclusions generated by algorithms. For humans, determining tumor type and grade typically involves multi-scale analysis, which presents a significant challenge for AI algorithms. Traditional patch-based methods are inadequate for modeling such complex structures, as they fail to capture the intricate, multi-scale information inherent in whole slide images. Consequently, there is a pressing need for advanced AI techniques capable of efficiently and accurately replicating this complex analytical process. To address this issue, we introduce HistoGym, an open-source reinforcement learning environment for histopathological image analysis. Following OpenAI Gym APIs, HistoGym aims to foster whole slide image diagnosis by mimicking the real-life processes of doctors. Leveraging the pyramid feature of WSIs and the OpenSlide API, HistoGym provides a unified framework for various clinical tasks, including tumor detection and classification. We detail the observation, action, and reward specifications tailored for the histopathological image analysis domain and provide an open-source Python-based interface for both clinicians and researchers. To accommodate different clinical demands, we offer various scenarios for different organs and cancers, including both WSI-based and selected region-based scenarios, showcasing several noteworthy results.
- Abstract（参考訳）: 病理学研究,教育,臨床実践では,病理画像に基づく意思決定プロセスが重要である。
この重要性は、デジタル病理画像解析にまで拡張され、その妥当性は、正確ながん分類とグレーディングに必須である組織構造に含まれる広範な情報によって証明される。
さらに、アルゴリズムによって生成された結論の解釈可能性に関する固有の要件によって、その必要性が強調される。
人間の場合、腫瘍の種類とグレードを決定するには、通常、マルチスケールな分析が伴う。
従来のパッチベースの手法は複雑な構造をモデル化するには不十分であり、スライド画像全体に固有の複雑なマルチスケールの情報をキャプチャできない。
その結果、この複雑な分析プロセスを効率的に正確に複製できる高度なAI技術の必要性が高まっている。
この問題に対処するために,組織画像解析のためのオープンソースの強化学習環境HistoGymを紹介した。
OpenAI Gym APIに続いて、HistoGymは医師の実際の過程を模倣することによって、スライド画像全体の診断を促進することを目指している。
WSIsとOpenSlide APIのピラミッド機能を活用することで、HistoGymは、腫瘍の検出や分類など、さまざまな臨床タスクのための統一されたフレームワークを提供する。
病理画像解析領域に適した観察,行動,報酬の仕様を詳述し,臨床医と研究者の両方にオープンソースのPythonベースのインターフェースを提供する。
異なる臨床要件を満たすために,WSIおよび選択された地域シナリオを含む様々な臓器および癌に対して様々なシナリオを提供し,いくつかの注目すべき結果を示す。
関連論文リスト
- Multiplex Imaging Analysis in Pathology: a Comprehensive Review on Analytical Approaches and Digital Toolkits [0.7968706282619793]
マルチ多重イメージングは、複数のバイオマーカーを1つのセクションで同時に視覚化することを可能にする。
多重画像からのデータは、前処理、セグメンテーション、特徴抽出、空間解析のための洗練された計算方法を必要とする。
PathMLは、画像分析を効率化するAIベースのプラットフォームで、臨床および研究環境では複雑な解釈がアクセス可能である。
論文 参考訳（メタデータ） (2024-11-01T18:02:41Z) - TopOC: Topological Deep Learning for Ovarian and Breast Cancer Diagnosis [3.262230127283452]
トポロジカルデータ分析は、異なる色チャネルにわたるトポロジカルパターンの評価を通じて重要な情報を抽出することで、ユニークなアプローチを提供する。
卵巣癌と乳癌では, トポロジカルな特徴を取り入れることで, 腫瘍型の分化が著しく向上することが示唆された。
論文 参考訳（メタデータ） (2024-10-13T12:24:13Z) - Histo-Diffusion: A Diffusion Super-Resolution Method for Digital Pathology with Comprehensive Quality Assessment [6.350679043444348]
ヒスト拡散(Histo-Diffusion)は、デジタル病理学における超解像の生成と評価のために特別に設計された拡散法である。
病理組織学の復元モジュールと、高品質な画像を生成するための制御可能な拡散モジュールを含む。
論文 参考訳（メタデータ） (2024-08-27T17:31:00Z) - Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - Segmentation, Classification and Interpretation of Breast Cancer Medical Images using Human-in-the-Loop Machine Learning [37.69303106863453]
本論文は、乳癌のゲノムデータと全スライドイメージング(WSI)解析の統合を扱っている。
病理医の関与は, より優れたセグメンテーションモデルの開発と, モデルの説明能力の向上に役立ったが, 分類結果は準最適であった。
論文 参考訳（メタデータ） (2024-03-29T10:49:02Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - Deepfake histological images for enhancing digital pathology [0.40631409309544836]
我々は,クラスラベルに制約された病理像を合成する生成逆ネットワークモデルを開発した。
前立腺および大腸組織像の合成におけるこの枠組みの有用性について検討した。
大腸生検によるより複雑な画像へのアプローチを拡張し,そのような組織における複雑な微小環境も再現可能であることを示す。
論文 参考訳（メタデータ） (2022-06-16T17:11:08Z) - Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。
このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
論文 参考訳（メタデータ） (2021-02-07T19:12:32Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳（メタデータ） (2020-04-10T13:12:47Z)
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。