論文の概要: Semi-Automated Quality Assurance in Digital Pathology: Tile Classification Approach
- arxiv url: http://arxiv.org/abs/2506.10916v1
- Date: Thu, 12 Jun 2025 17:30:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 15:37:22.867252
- Title: Semi-Automated Quality Assurance in Digital Pathology: Tile Classification Approach
- Title（参考訳）: デジタル病理における半自動品質保証:タイル分類アプローチ
- Authors: Meredith VandeHaar, M. Clinch, I. Yilmaz, M. A. Rahman, Y. Xiao, F. Dogany, H. M. Alazab, A. Nassar, Z. Akkus, B. Dangott,
- Abstract要約: 品質保証は、デジタル病理学において重要だが未調査の分野である。
人工物はAI診断モデルの性能に悪影響を及ぼすことが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Quality assurance is a critical but underexplored area in digital pathology, where even minor artifacts can have significant effects. Artifacts have been shown to negatively impact the performance of AI diagnostic models. In current practice, trained staff manually review digitized images prior to release of these slides to pathologists which are then used to render a diagnosis. Conventional image processing approaches, provide a foundation for detecting artifacts on digital pathology slides. However, current tools do not leverage deep learning, which has the potential to improve detection accuracy and scalability. Despite these advancements, methods for quality assurance in digital pathology remain limited, presenting a gap for innovation. We propose an AI algorithm designed to screen digital pathology slides by analyzing tiles and categorizing them into one of 10 predefined artifact types or as background. This algorithm identifies and localizes artifacts, creating a map that highlights regions of interest. By directing human operators to specific tiles affected by artifacts, the algorithm minimizes the time and effort required to manually review entire slides for quality issues. From internal archives and The Cancer Genome Atlas, 133 whole slide images were selected and 10 artifacts were annotated using an internally developed software ZAPP (Mayo Clinic, Jacksonville, FL). Ablation study of multiple models at different tile sizes and magnification was performed. InceptionResNet was selected. Single artifact models were trained and tested, followed by a limited multiple instance model with artifacts that performed well together (chatter, fold, and pen). From the results of this study we suggest a hybrid design for artifact screening composed of both single artifact binary models as well as multiple instance models to optimize detection of each artifact.
- Abstract（参考訳）: 品質保証は、デジタル病理学において重要ではあるが未調査の領域であり、マイナーアーティファクトでさえも重大な影響を及ぼす可能性がある。
人工物はAI診断モデルの性能に悪影響を及ぼすことが示されている。
現在、トレーニングされたスタッフは、これらのスライドがリリースされる前に手動でデジタル化されたイメージを病理医にレビューし、診断を描画するために使用される。
従来の画像処理アプローチは、デジタル病理スライド上のアーティファクトを検出するための基盤を提供する。
しかし、現在のツールはディープラーニングを活用せず、検出精度とスケーラビリティを向上させる可能性がある。
これらの進歩にもかかわらず、デジタル病理学における品質保証の方法はまだ限られており、イノベーションのギャップを生じさせている。
タイルを分析し,それを10種類の事前定義されたアーティファクトタイプ,あるいは背景として分類することで,デジタル病理スライドをスクリーニングするAIアルゴリズムを提案する。
このアルゴリズムは、アーティファクトを特定し、ローカライズし、関心のある領域をハイライトするマップを作成する。
人工物によって影響を受ける特定のタイルに人間のオペレーターを誘導することにより、アルゴリズムは、品質問題に対して手動でスライド全体をレビューするために必要な時間と労力を最小化する。
内部アーカイブとThe Cancer Genome Atlasから133枚のスライド画像が選択され、10枚のアーティファクトが社内開発ソフトウェアZAPP(メイヨークリニック、ジャクソンビル、FL)を使って注釈付けされた。
異なるタイルサイズおよび倍率の複数のモデルのアブレーション実験を行った。
InceptionResNetが選択された。
単一のアーティファクトモデルがトレーニングされ、テストされ、続いて、一緒に動作するアーティファクト(シャッター、折りたたみ、ペン)を備えた、限定された複数のインスタンスモデルが続いた。
本研究の結果から,1つのアーティファクトバイナリモデルと,各アーティファクトの検出を最適化する複数のインスタンスモデルからなるアーティファクトスクリーニングのハイブリッド設計を提案する。
関連論文リスト
- DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。
我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。
次に、学習したアーティファクト検出器が第2段階に関与し、ピクセルレベルのフィードバックを提供することで拡散モデルを最適化する。
論文 参考訳（メタデータ） (2025-01-21T18:56:41Z) - Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。
デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。
本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
論文 参考訳（メタデータ） (2024-07-10T17:00:57Z) - Improving Quality Control of Whole Slide Images by Explicit Artifact Augmentation [3.202891318772088]
本研究は, スライド画像全体をアーティファクトで拡張する手法を提案する。
このツールは、外部ライブラリから所定の病理組織データセットにアーティファクトをシームレスに生成し、ブレンドする。
この評価は, アーティファクトの分類における有用性を示し, アーティファクトの種類によって0.10から0.01AUROCの改善を示す。
論文 参考訳（メタデータ） (2024-06-17T13:39:31Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。
提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。
生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
論文 参考訳（メタデータ） (2023-10-09T10:22:08Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - Ensembling with Deep Generative Views [72.70801582346344]
生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。
そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。
StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
論文 参考訳（メタデータ） (2021-04-29T17:58:35Z) - Weakly- and Semi-Supervised Probabilistic Segmentation and
Quantification of Ultrasound Needle-Reverberation Artifacts to Allow Better
AI Understanding of Tissue Beneath Needles [0.0]
人工物から所望の組織ベースのピクセル値を分離する確率論的ニードル・アンド・レバーベーション・アーティファクトセグメンテーション法を提案する。
提案手法は,最先端のアーティファクトセグメンテーション性能と一致し,アーティファクトの画素ごとのコントリビューションを,基礎となる解剖学に対して推定する新しい標準を設定する。
論文 参考訳（メタデータ） (2020-11-24T08:34:38Z)
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。