Fugu-MT 論文翻訳(概要): PySpatial: A High-Speed Whole Slide Image Pathomics Toolkit

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 18:34:15.331827
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: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
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

Purifying, Labeling, and Utilizing: A High-Quality Pipeline for Small Object Detection [83.90563802153707]
PLUSNetは高品質のSmallオブジェクト検出フレームワークである。上流の特徴を浄化するための階層的特徴(HFP)フレームワーク、中流トレーニングサンプルの品質を改善するための多重基準ラベル割り当て(MCLA)、下流タスクを達成するためにより効果的に情報を活用するための周波数分離ヘッド(FDHead)の3つのコンポーネントで構成されている。
論文参考訳（メタデータ） (2025-04-29T10:11:03Z)
Spike Imaging Velocimetry: Dense Motion Estimation of Fluids Using Spike Cameras [56.30609439239127]
本研究では、粒子画像速度測定(PIV)におけるスパイクカメラ(超高速・高ダイナミックレンジカメラの一種)の膨大なポテンシャルについて検討する。本研究では,高乱流・複雑な流れ場に特化して設計された深層学習フレームワークSpike Imaging Velocimetry (SIV)を提案する。本稿では,スパイクに基づくPIVデータセットであるParticle Scenes with Spike and Displacement (PSSD)を提案する。
論文参考訳（メタデータ） (2025-04-26T09:14:45Z)
PathVQ: Reforming Computational Pathology Foundation Model for Whole Slide Image Analysis via Vector Quantization [9.632442075645542]
がんの診断と予後には,計算病理学と全スライディング画像(WSI)解析が重要である。病理基盤モデルの最近の進歩は性能を改善したが、ほとんどのアプローチは[[] タイル ViT をスライドレベル入力としてトークン表現に依存している。これはパッチトークンから重要な空間の詳細を捨て、下流のWSI分析タスクを制限します。空間パッチトークンを効率よく圧縮するパッチ特徴量にベクトル量子化(VQ)蒸留を導入する。
論文参考訳（メタデータ） (2025-03-09T06:51:08Z)
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)
Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文参考訳（メタデータ） (2024-01-12T22:51:48Z)
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)
FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文参考訳（メタデータ） (2022-10-10T12:35:02Z)
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。