PatchSorter:一个高吞吐量深度学习数字病理学工具,用于对象标签

科学领域:

• 数字病理学数字病理学
• 计算生物学 计算生物学
• 医学图像分析 医学图像分析

背景情况:

• 精确分析数字病理图像对于诊断,预后和治疗反应预测至关重要.
• 在大型数据集中手动标记组织学对象是耗时和劳动密集的.
• 目前的方法缺乏高通量分析的效率.

研究的目的:

• 推出PatchSorter,这是一个开源工具,旨在加速数字病理学中组织学对象的标签.
• 为了证明与传统标签方法相比,PatchSorter的效率和准确性.
• 为了促进大型数字病理学数据集的高通量分析.

主要方法:

• 开发PatchSorter,这是一个开源标签工具,将深度学习与Web界面集成在一起.
• 使用超过10万个组织学对象的数据集进行评估.
• 在PatchSorter和无助标签之间对标签速度和准确性的比较分析.

主要成果:

• 与无助标签相比,PatchSorter实现了每秒标签的>7倍改进.
• 标签准确性仍然受到最小的影响,确保可靠的数据.
• 证明了广泛的数字病理学数据集的高通量标签的可行性.

结论:

• PatchSorter在数字病理学图像分析的效率方面提供了显著的进步.
• 该工具能够快速准确地进行标签,克服了数据集注释的先前瓶.
• 促进数字病理学的大规模研究,以改善临床洞察力.