FastPathology：一个基于深度学习的数字病理学研究与决策支持开源平台
机器学习
2020-11-13 v1 计算机视觉与模式识别
图像与视频处理
摘要
深度卷积神经网络（CNNs）是当前组织病理学图像数字分析的最先进方法。全切片显微图像（WSIs）的大尺寸需要高级内存处理来读取、显示和处理这些图像。已有若干用于处理 WSIs 的开源平台，但很少支持 CNN 模型的部署。这些应用使用第三方方案进行推理，致使其用户友好性较差且不适用于高性能图像分析。为使 CNN 的部署用户友好且能在低端机器上可行，我们利用 FAST 框架和 C++ 开发了一个新平台 FastPathology。它最小化了读取和处理 WSIs、部署 CNN 模型以及结果实时交互式可视化的内存使用。我们在四种不同用例上进行了运行时实验，使用了不同架构、推理引擎、硬件配置和操作系统。使用 FastPathology 与三个现有平台测量了读取、可视化、缩放和平移 WSI 的内存使用。FastPathology 在内存方面与另一基于 C++ 的应用表现相似，而明显少于两个基于 Java 的平台。神经网络模型、推理引擎、硬件和处理器的选择对运行时影响显著。因此，FastPathology 在单一应用中包含了高效可视化和处理 WSIs 所需的所有步骤，包括 CNN 推理与结果实时显示。源代码、二进制发布版和测试数据可在 GitHub 上 https://github.com/SINTEFMedtek/FAST-Pathology/ 在线获取。
引用
@article{arxiv.2011.06033,
title = {FastPathology: An open-source platform for deep learning-based research and decision support in digital pathology},
author = {André Pedersen and Marit Valla and Anna M. Bofin and Javier Pérez de Frutos and Ingerid Reinertsen and Erik Smistad},
journal= {arXiv preprint arXiv:2011.06033},
year = {2020}
}
备注
12 pages, 4 figures, submitted to IEEE Access