| dc.contributor.author | Цайфен, Ч. | uk |
| dc.contributor.author | Дубовой, В. М. | uk |
| dc.contributor.author | Dubovoy, V. M. | en |
| dc.date.accessioned | 2026-01-20T13:01:35Z | |
| dc.date.available | 2026-01-20T13:01:35Z | |
| dc.date.issued | 2025 | |
| dc.identifier.citation | Цайфен, Ч., Дубовой В. М. Фреймворк для ефективної паралельної попередньої обробки даних повноформатних гістопатологічних зображень // Наукові праці Вінницького національного технічного університету. Електрон. текст. дані. 2025. № 1. URI: https://praci.vntu.edu.ua/index.php/praci/article/view/785. | uk |
| dc.identifier.issn | 2307-5376 | |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua//handle/123456789/50508 | |
| dc.description.abstract | Швидке поширення зображень цілих слайдів (WSI) у цифровій патології збільшило попит на вдосконалені, високопродуктивні структури попередньої обробки, здатні керувати величезними обсягами гістопатологічних даних, створених у сучасній діагностиці. У цьому дослідженні ми представляємо інноваційну структуру паралельної попередньої обробки даних, розроблену для оптимізації обробки WSI. Наш підхід інтегрує динамічне балансування навантаження, гібридну обчислювальну архітектуру CPU–GPU та методи адаптивної мультимодальної фільтрації для пом’якшення обчислювальної неефективності, притаманної традиційним конвеєрам послідовної обробки. Експериментальні оцінки демонструють, що запропонована структура досягає вражаючого прискорення в 22,61 разу порівняно зі звичайними послідовними методами, підкреслюючи її здатність обробляти великомасштабні дані з надзвичайною ефективністю. Крім того, система фіксує середню квадратичну помилку (MSE) 0,032 у задачах нормалізації плям, що відображає її точність у підтримці узгодженості кольорів у WSI. При оцінці за допомогою моделі глибокого навчання ResNet-50 вона підтримує точність класифікації 85,7 %, підтверджуючи її надійність у збереженні цілісності діагностики. Ці результати в сукупності підкреслюють потенціал інфраструктури для революції в ефективності обробки, зберігаючи аналітичну точність, позиціонуючи її як масштабоване рішення для програм цифрової патології в реальному часі та багатообіцяючий інструмент для бездоганної інтеграції в клінічні гістопатологічні робочі процеси. З точки зору клінічного розгортання, скорочення часу обробки на 78,6 % означає трансформаційний потенціал для високопродуктивних робочих процесів патології, особливо в умовах обмежених ресурсів, де швидке відновлення є критичним. Відповідність системи стандартам ISO15189 підтверджує її придатність для медичного використання, пропонуючи надійну основу для інтеграції обчислювальної патології в рутинну діагностику. У сукупності ці досягнення позиціонують наш підхід як значний крок до перегляду критеріїв ефективності цифрової аналітики патології в реальному часі. | uk |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Наукові праці Вінницького національного технічного університету. № 1. | uk |
| dc.relation.uri | https://praci.vntu.edu.ua/index.php/praci/article/view/785 | |
| dc.subject | попередня обробка | uk |
| dc.subject | повноформатні зображення | uk |
| dc.subject | паралелізм даних | uk |
| dc.subject | нормалізація плям | uk |
| dc.subject | гібридні обчислення | uk |
| dc.title | Фреймворк для ефективної паралельної попередньої обробки даних повноформатних гістопатологічних зображень | uk |
| dc.type | Article, professional native edition | |
| dc.type | Article | |
| dc.identifier.udc | 004.75 | |
| dc.relation.references | Coudray N., Ocampo P. S., SakellaropoulosT. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nature Medicine. 2018. No 10. P. 1559–1567. DOI: 10.1038/s41591-018-0177-5. | en |
| dc.relation.references | Saltz J., Gupta R., HouL.Spatial organization and molecular correlation of tumor-infiltrating lymphocytes using deep learning on pathology images.Cell Reports. 2018. No 1.P. 181–193. DOI: 10.1016/j.celrep.2018.03.086. | en |
| dc.relation.references | Kather J. N., Krisam J., Charoentong P .Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nature Medicine. 2019. No 7. P. 1054–1056. DOI: 10.1038/s41591-019-0462-y. | en |
| dc.relation.references | DC. Healthcare data growth and storage trends.White Paper. 2023. URL: https://www.idc.com/. | en |
| dc.relation.references | Goode A., Gilbert B., HarkesJ. OpenSlide: A vendor-neutral softwarefoundation for digital pathology.Journal of Pathology Informatics. 2013.No 1.P. 27. DOI: 10.4103/2153-3539.119005. | en |
| dc.relation.references | Vahadane A., Peng T., SethiA. Structure-preserving color normalization and sparse stain separation for histological images.IEEE Transactions on Medical Imaging. 2016.No 8.P. 1962–1971. DOI: 10.1109/TMI.2016.2529665. | en |
| dc.relation.references | Ianni J. D., Soans R. E., SankarapandianS.Tailored for real-world: A whole slide image classification system.Scientific Reports. 2020.No 1. Art. No 59985.DOI: 10.1038/s41598-020-59985-2. | en |
| dc.relation.references | Bankhead P., Loughrey M. B., FernándezJ. A. QuPath: Open source software for digital pathology image analysis.Scientific Reports. 2017.No 1. Art. No 16878.DOI: 10.1038/s41598-017-17204-5. | en |
| dc.relation.references | Kanwal N., Ramirez A. E., Pérez D. J. S. The devil is in the details: Whole slide image acquisition and processing.IEEE Access. 2022.Vol. 10. P. 58821–58844.DOI: 10.1109/ACCESS.2022.3176091. | en |
| dc.relation.references | Lipkova J., Chen T. Y., Lu R. Deep learning-enabled assessment of cardiac allograft rejection. Nature Medicine. 2022. No 2. P. 239–250.DOI: 10.1038/s41591-022-01709-2. | en |
| dc.relation.references | Distributed contrastive learning for medical image segmentation/ Li Yet al.arXiv preprint. 2022. URL: https://arxiv.org/abs/2208.03808. DOI: 10.48550/arXiv.2208.03808. | en |
| dc.relation.references | Narasiman A., Shebanow M., LeeC. J. Improving GPU performance via large warps and two-level warp scheduling. Proc. 44th Annual IEEE/ACM International Symposium on Microarchitecture (MICRO). Porto Alegre, Brazil, 2011. P. 308–317. DOI: 10.1145/2155620.2155656. | en |
| dc.relation.references | Wang L., Ding X., Zhang Y.Self-supervised learning for digital pathology: Applications and challenges.IEEE Journal of Biomedical and Health Informatics. 2021. No 10. P. 3903–3912. DOI: 10.1109/JBHI.2021.3104567. | en |
| dc.relation.references | Kim J., Lee H., ParkS. High-throughput computational pathology for large-scale cancer studies.IEEE Transactions on Medical Imaging.2020. No 5. P. 1400–1412. DOI: 10.1109/TMI.2019.2955893. | en |
| dc.identifier.doi | https://doi.org/10.31649/2307-5376-2025-1-128-138 | |
