論文の概要: From Traditional to Deep Learning Approaches in Whole Slide Image Registration: A Methodological Review
- arxiv url: http://arxiv.org/abs/2502.19123v1
- Date: Wed, 26 Feb 2025 13:24:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-27 14:58:32.317626
- Title: From Traditional to Deep Learning Approaches in Whole Slide Image Registration: A Methodological Review
- Title（参考訳）: 全スライド画像登録における伝統から深層学習へのアプローチ:方法論的考察
- Authors: Behnaz Elhaminia, Abdullah Alsalemi, Esha Nasir, Mostafa Jahanifar, Ruqayya Awan, Lawrence S. Young, Nasir M. Rajpoot, Fayyaz Minhas, Shan E Ahmed Raza,
- Abstract要約: 病理組織学的には,全スライド画像(WSI)の登録は腫瘍ミクロ環境(TME)の解析に必須の課題である。
これは、同じ部分のWSIと組織サンプルのシリアルセクションの空間情報のアライメントを含む。
目標は、3D画像を作成したり、TME内の細胞のサブクラスを特定するために、Z軸に沿って隣接する核を特定することである。
- 参考スコア（独自算出の注目度）: 7.441179174680556
- License:
- Abstract: Whole slide image (WSI) registration is an essential task for analysing the tumour microenvironment (TME) in histopathology. It involves the alignment of spatial information between WSIs of the same section or serial sections of a tissue sample. The tissue sections are usually stained with single or multiple biomarkers before imaging, and the goal is to identify neighbouring nuclei along the Z-axis for creating a 3D image or identifying subclasses of cells in the TME. This task is considerably more challenging compared to radiology image registration, such as magnetic resonance imaging or computed tomography, due to various factors. These include gigapixel size of images, variations in appearance between differently stained tissues, changes in structure and morphology between non-consecutive sections, and the presence of artefacts, tears, and deformations. Currently, there is a noticeable gap in the literature regarding a review of the current approaches and their limitations, as well as the challenges and opportunities they present. We aim to provide a comprehensive understanding of the available approaches and their application for various purposes. Furthermore, we investigate current deep learning methods used for WSI registration, emphasising their diverse methodologies. We examine the available datasets and explore tools and software employed in the field. Finally, we identify open challenges and potential future trends in this area of research.
- Abstract（参考訳）: 病理組織学的には,全スライド画像(WSI)の登録は腫瘍ミクロ環境(TME)の解析に必須の課題である。
それは、同じ部分のWSIと組織サンプルのシリアルセクションの間の空間情報のアライメントを含む。
組織セクションは通常、イメージングの前に単一のまたは複数のバイオマーカーで染色され、3D画像の作成やTME内の細胞のサブクラスを特定するために、Z軸に沿って隣接する核を特定することが目的である。
この課題は、様々な要因により、磁気共鳴画像やCTなどの放射線画像の登録よりもかなり困難である。
これには、画像のギガピクセルサイズ、異なる染色組織間の外観の変化、非切断部位間の構造と形態の変化、人工物、涙、変形の存在が含まれる。
現在、現在のアプローチとその制限、そして彼らが提示する課題と機会について、文献に顕著なギャップがある。
利用可能なアプローチとそのアプリケーションについて、さまざまな目的で包括的な理解を提供することを目標としています。
さらに,WSI登録に使用されている深層学習手法について検討し,その多様性に着目した。
利用可能なデータセットを調べ、現場で使われているツールやソフトウェアを探索する。
最後に,この領域におけるオープン課題と今後の展望を明らかにする。
関連論文リスト
- Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略
メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-12-10T10:32:09Z) - U-Net in Medical Image Segmentation: A Review of Its Applications Across Modalities [0.0]
人工知能(AI)と深層学習(DL)の進歩は医療画像セグメンテーション(MIS)に変化をもたらした
これらのモデルは、様々な画像モダリティにまたがる効率的で正確な画素単位の分類を可能にする。
本稿では,様々な医用画像技術について検討し,U-Netアーキテクチャとその適応について検討し,その応用方法について考察する。
論文 参考訳（メタデータ） (2024-12-03T08:11:06Z) - 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) - HistoGym: A Reinforcement Learning Environment for Histopathological Image Analysis [9.615399811006034]
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。
論文 参考訳（メタデータ） (2024-08-16T17:19:07Z) - Scribble-Based Interactive Segmentation of Medical Hyperspectral Images [4.675955891956077]
本研究は、医用ハイパースペクトル画像のためのスクリブルベースのインタラクティブセグメンテーションフレームワークを導入する。
提案手法は,特徴抽出のための深層学習と,ユーザが提供するスクリブルから生成された測地距離マップを利用する。
論文 参考訳（メタデータ） (2024-08-05T12:33:07Z) - Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。
画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
論文 参考訳（メタデータ） (2024-08-01T07:35:54Z) - Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。
空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。
時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
論文 参考訳（メタデータ） (2024-05-30T03:15:09Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - 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) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。