PySpatial: A High-Speed Whole Slide Image Pathomics Toolkit

要約

全体スライド画像 (WSI) 解析は、現代のデジタル病理学において重要な役割を果たしており、組織サンプルからの大規模な特徴抽出を可能にします。
ただし、CellProfiler などのツールに基づく従来の特徴抽出パイプラインには、多くの場合、WSI のパッチへのセグメント化、パッチ レベルでの特徴抽出、およびその後の元の WSI へのマッピングが必要な、長いワークフローが含まれます。
これらの課題に対処するために、WSI レベルの分析用に特別に設計された高速パトミクス ツールキットである PySpatial を紹介します。
PySpatial は、計算対象領域を直接操作することで従来のパイプラインを合理化し、冗長な処理ステップを削減します。
PySpatial は、rtree ベースの空間インデックスと行列ベースの計算を利用して、計算領域を効率的にマッピングして処理し、高精度を維持しながら特徴抽出を大幅に加速します。
2 つのデータセット (血管周囲類上皮細胞 (PEC) と腎臓精密医療プロジェクト (KPMP) からのデータ) を用いた実験では、大幅なパフォーマンスの向上が実証されました。
PEC データセット内の小さくてまばらなオブジェクトの場合、PySpatial は標準の CellProfiler パイプラインと比較してほぼ 10 倍の高速化を達成します。
KPMP データセット内の糸球体や動脈などの大きなオブジェクトの場合、PySpatial は 2 倍の高速化を実現します。
これらの結果は、効率と精度を高めて大規模な WSI 解析を処理できる PySpatial の可能性を強調し、デジタル パソロジーにおけるより広範なアプリケーションへの道を切り開きます。

要約(オリジナル)

Whole Slide Image (WSI) analysis plays a crucial role in modern digital pathology, enabling large-scale feature extraction from tissue samples. However, traditional feature extraction pipelines based on tools like CellProfiler often involve lengthy workflows, requiring WSI segmentation into patches, feature extraction at the patch level, and subsequent mapping back to the original WSI. To address these challenges, we present PySpatial, a high-speed pathomics toolkit specifically designed for WSI-level analysis. PySpatial streamlines the conventional pipeline by directly operating on computational regions of interest, reducing redundant processing steps. Utilizing rtree-based spatial indexing and matrix-based computation, PySpatial efficiently maps and processes computational regions, significantly accelerating feature extraction while maintaining high accuracy. Our experiments on two datasets-Perivascular Epithelioid Cell (PEC) and data from the Kidney Precision Medicine Project (KPMP)-demonstrate substantial performance improvements. For smaller and sparse objects in PEC datasets, PySpatial achieves nearly a 10-fold speedup compared to standard CellProfiler pipelines. For larger objects, such as glomeruli and arteries in KPMP datasets, PySpatial achieves a 2-fold speedup. These results highlight PySpatial’s potential to handle large-scale WSI analysis with enhanced efficiency and accuracy, paving the way for broader applications in digital pathology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google