SWAN – Enabling Fast and Mobile Histopathology Image Annotation through Swipeable Interfaces
Sweta Banerjee, Timo Gosch, Sara Hester, Viktoria Weiss, Thomas Conrad, Taryn A. Donovan, Nils Porsche, Jonas Ammeling, Christoph Stroblberger, Robert Klopfleisch, Christopher Kaltenecker, Christof A. Bertram, Katharina Breininger, Marc Aubreville
大规模组病学图像数据集的注释仍然是为临床相关任务开发强大的深度学习模型(如有丝分裂图分类)的主要瓶颈。 基于文件夹的注释工作流程通常很慢,疲劳,难以扩展。 为了应对这些挑战,我们引入了Swipeable ANnotations(SWAN),这是一个开源的,MIT许可的Web应用程序,可以使用滑动手势实现直观的图像补丁分类。 SWAN同时支持桌面和移动平台,提供实时元数据捕获,并允许将滑动手势灵活映射到类标签。 在一项由四位病理学家绘制600个有丝分裂图图像补丁的试点研究中,我们将SWAN与传统文件夹排序工作流程进行了比较。 SWAN实现了快速注释,配对点的一致范围从86.52%到93.68%(Cohen的Kappa = 0.61-0.80),而对于基于文件夹的方法,配对百分点协议的范围从86.98%到91.32%(Cohen的Kappa = 0.63-0.75)用于分类非典型与正常有色数字的任务,证明了注释器和可比性能之间的高一致性。 参与者认为该工具非常可用,并赞赏在移动设备上注释的能力。 这些结果表明,SWAN可以在保持注释质量的同时加速图像注释,为传统工作流程提供可扩展且用户友好的替代方案。
The annotation of large scale histopathology image datasets remains a major bottleneck in developing robust deep learning models for clinically relevant tasks, such as mitotic figure classification. Folder-based annotation workflows are usually slow, fatiguing, and difficult to scale. To address these challenges, we introduce SWipeable ANnotations (SWAN), an open-source, MIT-licensed web application that enables intuitive image patch classification using a swiping gesture. SWAN supports both des...
