PatchSorter：一款用于对象标注的高吞吐量深度学习数字病理工具
PatchSorter: A High Throughput Deep Learning Digital Pathology Tool for Object Labeling
AI总结：
本文发布开源数字病理标注工具 PatchSorter，通过结合深度学习与直观 Web 界面，在超过 100,000 个对象上实现较人工无辅助标注逾 7 倍的速度提升且几乎不损失准确性。
摘要：
在数字病理图像中发现与诊断、预后和治疗反应相关的模式，通常需要对大量组织学对象进行难以承担的标注。在此，我们发布一款开源标注工具 PatchSorter，它将深度学习与直观的 Web 界面相集成。利用超过 100,000 个对象，我们证明其每秒标注数相较无辅助标注提升超过 7 倍，同时对标注准确性影响极小，从而能够对大型数据集进行高通量标注。
英文摘要：
The discovery of patterns associated with diagnosis, prognosis, and therapy response in digital pathology images often requires intractable labeling of large quantities of histological objects. Here we release an open-source labeling tool, PatchSorter, which integrates deep learning with an intuitive web interface. Using >100,000 objects, we demonstrate a >7x improvement in labels per second over unaided labeling, with minimal impact on labeling accuracy, thus enabling high-throughput labeling of large datasets.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
