幻灯片流:用于数字组织病理学的深度学习,实时全幻灯片可视化
James M Dolezal1, Sara Kochanny2, Emma Dyer2
1Section of Hematology/Oncology, Department of Medicine, University of Chicago Medical Center, Chicago, IL, USA. james@slideflow.dev.
BMC bioinformatics
|March 28, 2024
概括
幻灯片流 (Slideflow) 是一个新的开源深度学习库,用于组织病理学,简化了对整个幻灯片图像的分析. 它为部署模型提供了一个快速的界面,并使各种深度学习方法的快速实验成为可能.
科学领域:
- 数字病理学数字病理学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 深度学习在基因病理图像分析方面表现出色,但缺乏灵活的,开源的交互式部署工具.
- 当前的方法通常需要专门的环境和大量的数据再处理,阻碍了对新架构的实验.
研究的目的:
- 开发一个灵活的,开源的数字病理学深度学习库,名为Slideflow.
- 为在全幻灯片图像上部署和实验深度学习模型提供交互式界面.
主要方法:
- 开发了Slideflow,这是一个支持数字病理学的多种深度学习方法的Python包.
- 集成了一个快速的全幻灯片图像接口,用于模型部署和可视化.
- 包括用于优化全幻灯片图像处理,染色正常化,增强和弱监督分类的工具.
- 启用了框架无关的数据处理 (TensorFlow/PyTorch) 和各种硬件上的实时可视化.
主要成果:
- 幻灯片流促进了对新的深度学习架构的快速实验.
- 实现了高度优化的全幻灯片图像取 (2.5s/幻灯片在40x).
- 图形用户界面支持幻灯片,预测,热图和功能空间的实时可视化.
结论:
- 幻灯片流提供了一个灵活和高效的解决方案,用于深度学习在数字病理学.
- 该图书馆增强了实验的可行性和实用性,使用先进的计算方法进行基因病学图像分析.
- 它的开源性质和广泛的硬件兼容性促进了更广泛的采用和协作.
