論文の概要: PySpatial: A High-Speed Whole Slide Image Pathomics Toolkit

• arxiv url: http://arxiv.org/abs/2501.06151v1
• Date: Fri, 10 Jan 2025 18:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:26:38.768041
• Title: PySpatial: A High-Speed Whole Slide Image Pathomics Toolkit
• Title（参考訳）: PySpatial: 高速スライド画像パノミクスツールキット
• Authors: Yuechen Yang, Yu Wang, Tianyuan Yao, Ruining Deng, Mengmeng Yin, Shilin Zhao, Haichun Yang, Yuankai Huo,
• Abstract要約: 本稿では,WSIレベル解析のための高速パノミクスツールキットであるPySpatialを提案する。 PySpatialは、関心のある計算領域を直接操作することで、従来のパイプラインを合理化する。 血管周囲上皮細胞(PEC)とKidney Precision Medicine Project(KPMP)のデータによる2つのデータセットの実験により,大幅なパフォーマンス向上が得られた。
• 参考スコア（独自算出の注目度）: 5.52658544303762
• License:
• Abstract: Whole Slide Image (WSI) analysis plays a crucial role in modern digital pathology, enabling large-scale feature extraction from tissue samples. However, traditional feature extraction pipelines based on tools like CellProfiler often involve lengthy workflows, requiring WSI segmentation into patches, feature extraction at the patch level, and subsequent mapping back to the original WSI. To address these challenges, we present PySpatial, a high-speed pathomics toolkit specifically designed for WSI-level analysis. PySpatial streamlines the conventional pipeline by directly operating on computational regions of interest, reducing redundant processing steps. Utilizing rtree-based spatial indexing and matrix-based computation, PySpatial efficiently maps and processes computational regions, significantly accelerating feature extraction while maintaining high accuracy. Our experiments on two datasets-Perivascular Epithelioid Cell (PEC) and data from the Kidney Precision Medicine Project (KPMP)-demonstrate substantial performance improvements. For smaller and sparse objects in PEC datasets, PySpatial achieves nearly a 10-fold speedup compared to standard CellProfiler pipelines. For larger objects, such as glomeruli and arteries in KPMP datasets, PySpatial achieves a 2-fold speedup. These results highlight PySpatial's potential to handle large-scale WSI analysis with enhanced efficiency and accuracy, paving the way for broader applications in digital pathology.
• Abstract（参考訳）: ホイルスライド画像(WSI)解析は現代のデジタル病理学において重要な役割を担い、組織サンプルから大規模特徴抽出を可能にする。 しかし、CellProfilerのようなツールに基づいた伝統的な機能抽出パイプラインは、しばしば長いワークフローを伴い、パッチへのWSIセグメンテーションを必要とし、パッチレベルでの機能抽出を行い、その後元のWSIにマッピングする。 これらの課題に対処するため,WSIレベルの解析に特化して設計された高速パノミクスツールキットであるPySpatialを提案する。 PySpatialは、関心のある計算領域を直接操作することで、従来のパイプラインを合理化し、冗長な処理ステップを削減している。 rtreeベースの空間インデックスと行列ベースの計算を利用して、PySpatialは効率的に計算領域をマッピングし、処理し、高い精度を維持しながら特徴抽出を著しく加速する。 血管周囲上皮細胞(PEC)とKidney Precision Medicine Project(KPMP)のデータによる2つのデータセットの実験により,大幅なパフォーマンス向上が得られた。 PECデータセットの小型でスパースなオブジェクトに対して、PySpatialは標準のCellProfilerパイプラインに比べて10倍近いスピードアップを実現している。 KPMPデータセットのグロマリや動脈などの大きなオブジェクトに対して、PySpatialは2倍のスピードアップを達成する。 これらの結果は、PySpatialが効率と正確性を高めて大規模なWSI分析を処理し、デジタル病理学における幅広い応用の道を開くという、PySpatialの可能性を強調している。

関連論文リスト

• Efficient Whole Slide Image Classification through Fisher Vector Representation [2.4472081831862655]
  本稿では,最も情報性の高いパッチの識別と検証を自動化し,WSI分類の新しい手法を提案する。 提案手法は2段階からなる。まず,その病理学的意義に基づいて,WSIから少数のパッチのみを抽出し,次いで,これらのパッチから抽出した特徴を表現するためにFisherベクトルを用いる。 このアプローチは、WSI表現内の主要な病理的特徴をアクセントするだけでなく、計算オーバーヘッドを大幅に減らし、プロセスをより効率的かつスケーラブルにする。
  論文  参考訳（メタデータ） (2024-11-13T11:24:12Z)
• Semantic Segmentation Based Quality Control of Histopathology Whole Slide Images [2.953447779233234]
  We developed a software pipeline for quality control (QC) of histopathology whole slide images (WSIs)。 異なるレベルのぼかし、組織領域、組織折り、ペンマークなど、さまざまな領域を区分する。 TCGAは、28の臓器から11,000以上の病理像を含むWSIデータセットとして最大である。
  論文  参考訳（メタデータ） (2024-10-04T10:03:04Z)
• An Accelerated Pipeline for Multi-label Renal Pathology Image Segmentation at the Whole Slide Image Level [3.4916828526000008]
  繰り返し計算処理を削減し,GPUを用いて予測を高速化するために,Omni-Segパイプラインの強化版を提案する。 提案手法の革新的なコントリビューションは2つある: 1) エンドツーエンドのスライドワイドマルチタスクセグメンテーション用にDockerがリリースされ、(2) パイプラインをGPU上にデプロイして予測を高速化する。
  論文  参考訳（メタデータ） (2023-05-23T23:07:53Z)
• Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
  クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。 現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。 本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
  論文  参考訳（メタデータ） (2023-02-28T14:01:01Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• NumS: Scalable Array Programming for the Cloud [82.827921577004]
  タスクベース分散システム上でNumPyのような表現を最適化する配列プログラミングライブラリであるNumSを提案する。 これはLoad Simulated Hierarchical Scheduling (LSHS)と呼ばれる新しいスケジューラによって実現される。 LSHSは、ネットワーク負荷を2倍減らし、メモリを4倍減らし、ロジスティック回帰問題において実行時間を10倍減らし、Rayの性能を向上させる。
  論文  参考訳（メタデータ） (2022-06-28T20:13:40Z)
• Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion [62.269219152425556]
  セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。 本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。 アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2022-02-21T15:30:14Z)
• 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)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
  都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。 提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-11T08:45:53Z)

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。