空間クラスタ分析(SCA)は、生物学的画像の貴重な洞察を提供します。一般的なSCA手法の1つに、スライドウィンドウ分析(SWA)があります。しかし、SWAは計算コストが高いため、大きな画像への適用が難しく、小規模な画像に用途が限定されていました。高解像度顕微鏡の進歩により、画像は以前のSWAアプローチの能力を超え、最大70,000 x 85,000ピクセルのサイズに達するようになりました。これらの制限を克服するために、本論文では、従来の方法を上回る、SWAへの並列積分画像アプローチを紹介します。小規模画像では131,806倍という驚異的な速度向上を達成し、さまざまな大規模顕微鏡画像では10,000倍を超える安定した速度向上を実現しました。並列積分画像アプローチの計算の複雑さの利点を分析し、積分画像ベースの方法の優れたパフォーマンスを検証する実験結果を示します。私たちのアプローチは、https://github.com/OckermanSethGVSU/BioPIIで入手可能なオープンソースPython PIPパッケージとして提供されています。
タイトル: 並列積分画像技術を用いた生物学的空間クラスター分析の高速化
リンク: https://arxiv.org/abs/2410.16291
概要:
空間クラスタ分析(SCA)は、生物学的画像の貴重な洞察を提供します。一般的なSCA手法の1つに、スライドウィンドウ分析(SWA)があります。しかし、SWAは計算コストが高いため、大きな画像への適用が難しく、小規模な画像に用途が限定されていました。高解像度顕微鏡の進歩により、画像は以前のSWAアプローチの能力を超え、最大70,000 x 85,000ピクセルのサイズに達するようになりました。これらの制限を克服するために、本論文では、従来の方法を上回る、SWAへの並列積分画像アプローチを紹介します。小規模画像では131,806倍という驚異的な速度向上を達成し、さまざまな大規模顕微鏡画像では10,000倍を超える安定した速度向上を実現しました。並列積分画像アプローチの計算の複雑さの利点を分析し、積分画像ベースの方法の優れたパフォーマンスを検証する実験結果を示します。私たちのアプローチは、https://github.com/OckermanSethGVSU/BioPIIで入手可能なオープンソースPython PIPパッケージとして提供されています。