論文の概要: AtlasPatch: An Efficient and Scalable Tool for Whole Slide Image Preprocessing in Computational Pathology
- arxiv url: http://arxiv.org/abs/2602.03998v1
- Date: Tue, 03 Feb 2026 20:32:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-05 19:45:11.266678
- Title: AtlasPatch: An Efficient and Scalable Tool for Whole Slide Image Preprocessing in Computational Pathology
- Title（参考訳）: AtlasPatch - 計算病理における全スライドイメージ前処理の効率的かつスケーラブルなツール
- Authors: Ahmed Alagha, Christopher Leclerc, Yousef Kotp, Omar Metwally, Calvin Moras, Peter Rentopoulos, Ghodsiyeh Rostami, Bich Ngoc Nguyen, Jumanah Baig, Abdelhakim Khellaf, Vincent Quoc-Huy Trinh, Rabeb Mizouni, Hadi Otrok, Jamal Bentahar, Mahdi S. Hosseini,
- Abstract要約: 我々はAtlasPatchを提案する。AtlasPatchは、正確な組織検出と高特定パッチ抽出のためのスライド前処理フレームワークである。
このツールは、ティッシュマスクをサムネイルからフル解像度スライドに外挿し、パッチを直接共通のイメージエンコーダにストリームして、パッチイメージの埋め込みや保存を行う。
我々は,AtlasPatchをセグメント化精度,計算複雑性,下流のマルチインスタンス学習で評価し,計算コストのごく一部で動作しながら,最先端のパフォーマンスを一致させる。
- 参考スコア（独自算出の注目度）: 18.45768749525754
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Whole-slide image (WSI) preprocessing, typically comprising tissue detection followed by patch extraction, is foundational to AI-driven computational pathology workflows. This remains a major computational bottleneck as existing tools either rely on inaccurate heuristic thresholding for tissue detection, or adopt AI-based approaches trained on limited-diversity data that operate at the patch level, incurring substantial computational complexity. We present AtlasPatch, an efficient and scalable slide preprocessing framework for accurate tissue detection and high-throughput patch extraction with minimal computational overhead. AtlasPatch's tissue detection module is trained on a heterogeneous and semi-manually annotated dataset of ~30,000 WSI thumbnails, using efficient fine-tuning of the Segment-Anything model. The tool extrapolates tissue masks from thumbnails to full-resolution slides to extract patch coordinates at user-specified magnifications, with options to stream patches directly into common image encoders for embedding or store patch images, all efficiently parallelized across CPUs and GPUs. We assess AtlasPatch across segmentation precision, computational complexity, and downstream multiple-instance learning, matching state-of-the-art performance while operating at a fraction of their computational cost. AtlasPatch is open-source and available at https://github.com/AtlasAnalyticsLab/AtlasPatch.
- Abstract（参考訳）: 組織検出とパッチ抽出を組み合わせたWSI(Whole-Slide Image)前処理は、AI駆動の計算病理ワークフローの基礎となる。
既存のツールは組織検出に不正確なヒューリスティックしきい値設定を頼りにするか、パッチレベルで運用される限られた多様性データに基づいてトレーニングされたAIベースのアプローチを採用するか、相当な計算複雑性をもたらすため、これは依然として大きな計算ボトルネックである。
我々は,組織検出と高スループットパッチ抽出を最小限の計算オーバーヘッドで行うための,効率的でスケーラブルなスライド前処理フレームワークであるAtlasPatchを提案する。
AtlasPatchの組織検出モジュールは、Segment-Anythingモデルの効率的な微調整を使用して、およそ30,000 WSIサムネイルの不均一で半手書きのデータセットでトレーニングされている。
このツールは、サムネイルからフル解像度スライドまで組織マスクを外挿して、ユーザーが指定した倍率でパッチ座標を抽出し、パッチを直接共通のイメージエンコーダにストリームして、パッチイメージの埋め込みや保存を行う。
我々は,AtlasPatchをセグメント化精度,計算複雑性,下流のマルチインスタンス学習で評価し,計算コストのごく一部で動作しながら,最先端のパフォーマンスを一致させる。
AtlasPatchはオープンソースで、https://github.com/AtlasAnalyticsLab/AtlasPatchで公開されている。
関連論文リスト
- EvoPS: Evolutionary Patch Selection for Whole Slide Image Analysis in Computational Pathology [0.0]
マルチオブジェクト最適化問題としてパッチ選択を定式化する新しいフレームワークであるEvoPSを提案する。
The Cancer Genome Atlasの4つの主要ながんコホートにまたがって、我々の枠組みを検証した。
論文 参考訳（メタデータ） (2025-11-10T19:07:44Z) - WISE-FUSE: Efficient Whole Slide Image Encoding via Coarse-to-Fine Patch Selection with VLM and LLM Knowledge Fusion [3.677055050765245]
計算病理学(CPath)における全スライド画像(WSI)は、ギガピクセルスケールのために大きな計算課題となる。
本稿では,病理領域の視覚言語モデルと大規模言語モデルを活用した適応型WSI符号化フレームワークWISE-FUSEを提案する。
WISE-FUSEは、WSIエンコーディング時間を3倍に削減し、また、徹底的なパッチ処理と同等以上の診断性能を実現している。
論文 参考訳（メタデータ） (2025-08-20T08:41:19Z) - AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。
2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。
分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-08-07T07:47:16Z) - Efficient Token Compression for Vision Transformer with Spatial Information Preserved [59.79302182800274]
トーケン圧縮は、トランスモデルの計算およびメモリ要求の低減に不可欠である。
本稿では,Prune と Merge という,効率的なハードウェア互換のトークン圧縮手法を提案する。
論文 参考訳（メタデータ） (2025-03-30T14:23:18Z) - A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。
我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。
がんのステージングと生存予測の課題に強いパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-03-14T20:15:04Z) - PATHS: A Hierarchical Transformer for Efficient Whole Slide Image Analysis [9.862551438475666]
計算病理学におけるスライドレベルタスクにおける階層的弱教師付き表現学習のための新しいトップダウン手法を提案する。
PATHSは、人間の病理医がスライドを検査し、各倍率レベルでパッチを診断に関連する小さなサブセットにフィルタリングする、クロスマグニフィケーションの方法にインスパイアされている。
PATHSをThe Cancer Genome Atlas(TCGA)の5つのデータセットに適用し、スライドレベルの予測タスクにおいて優れたパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-11-27T11:03:38Z) - 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) - Slideflow: Deep Learning for Digital Histopathology with Real-Time
Whole-Slide Visualization [49.62449457005743]
われわれはSlideflowと呼ばれる病理組織学のための柔軟なディープラーニングライブラリを開発した。
デジタル病理学のための幅広い深層学習手法をサポートしている。
トレーニングされたモデルをデプロイするための、高速な全スライドインターフェースが含まれている。
論文 参考訳（メタデータ） (2023-04-09T02:49:36Z) - Hierarchical Transformer for Survival Prediction Using Multimodality
Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。
本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。
より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文 参考訳（メタデータ） (2022-11-29T23:47:56Z) - ZippyPoint: Fast Interest Point Detection, Description, and Matching
through Mixed Precision Discretization [71.91942002659795]
我々は,ネットワーク量子化技術を用いて推論を高速化し,計算限定プラットフォームでの利用を可能にする。
バイナリディスクリプタを用いた効率的な量子化ネットワークZippyPointは,ネットワーク実行速度,ディスクリプタマッチング速度,3Dモデルサイズを改善する。
これらの改善は、ホモグラフィー推定、視覚的ローカライゼーション、マップフリーな視覚的再ローカライゼーションのタスクで評価されるように、小さなパフォーマンス劣化をもたらす。
論文 参考訳（メタデータ） (2022-03-07T18:59:03Z)
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。