Seeded iterative clustering for histology region identification

要約

組織病理学用のコンピューター ビジョン アルゴリズムを開発するには注釈が必要ですが、高解像度で高密度の注釈を作成するには時間がかかることがよくあります。
セグメンテーションのディープ ラーニング モデルは、プロセスを軽減する方法ですが、大量のトレーニング データ、トレーニング時間、および計算能力が必要です。
これらの問題に対処するために、シードされた反復クラスタリングを提示して、スライド レベル全体で密に粗いセグメンテーションを生成します。
このアルゴリズムは、事前計算された表現をクラスタリング スペースとして使用し、限られた量の疎な対話型注釈をシードとして使用して、画像パッチを繰り返し分類します。
スライド画像全体の密な注釈を生成する高速で効果的な方法と、転移学習のコンテキストでニューラル ネットワークの潜在表現を比較できるフレームワークを取得します。

要約(オリジナル)

Annotations are necessary to develop computer vision algorithms for histopathology, but dense annotations at a high resolution are often time-consuming to make. Deep learning models for segmentation are a way to alleviate the process, but require large amounts of training data, training times and computing power. To address these issues, we present seeded iterative clustering to produce a coarse segmentation densely and at the whole slide level. The algorithm uses precomputed representations as the clustering space and a limited amount of sparse interactive annotations as seeds to iteratively classify image patches. We obtain a fast and effective way of generating dense annotations for whole slide images and a framework that allows the comparison of neural network latent representations in the context of transfer learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google