去除中间商:在未进行分割的组织病理学幻灯片中测量核区
本文中,我们介绍了一种吸引医学生和病理学家参与的方法,用于在乳腺癌中标注细胞核的数据集,其中建议的注释可以通过弱算法来改善,该算法可用于训练分割算法,这种方法被称为 DTALE,旨在通过核分割和形态学特征来提高核分类模型的透明度。
Feb, 2021
使用 NuCLS 数据库创建了多评估者模型来自动化分析乳腺癌中的细胞核,该模型采用了 MIScnn 框架中广泛采用的 U-Net 方法,并进行了预处理和数据探索。使用多种评估指标对最终模型进行了测试,并与 NuCLS 研究结果进行了比较和解释,给出了今后细胞核模型发展的重要指示。
Jun, 2022
使用基于深度学习的实例分割体系结构的自动量化方法,成功地将细胞核和膜生物标记物应用于免疫组化染色的胸部肿瘤图像,并集成到开发的网络平台中,作为病理学家的决策支持工具。
Nov, 2023
本文提出了两个计算机算法,分别用于分割细胞核和分类组织切片图像。采用多尺度深度残差聚合网络实现核物质的准确分割,采用深度学习方法与随机森林回归模型相结合进行图像分类。该算法在 MICCAI 2017 数字病理学挑战赛中取得了较高的精度得分。
Oct, 2018
本文提出了一种基于部分点注释的弱监督分割框架,其中包括两个阶段的半监督策略和深度神经网络的使用,使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。
Jul, 2020
借助数字病理学和自动扫描保存整张组织学图像的显微系统的出现,越来越多地使用计算机方法来分析获取的图像。在各种组织学图像分析任务中,核实例分割在各种临床和研究应用中起着基础作用。然而,深度学习(DL)方法在处理未见数据集时性能通常下降。本文提出了一种改进基于 DL 的自动分割方法泛化能力的新方法,该方法利用一种最先进的基于 DL 的模型作为基准,并将非确定性训练时间和确定性测试时间染色归一化结合起来。实验结果表明,与基线分割模型相比,提出的方法在基于 Dice 分数、聚合 Jaccard 指数和全景质量得分分割核实现方面分别提供了高达 5.77%、5.36%和 5.27%的性能改进。
Sep, 2023
利用深度学习辅助数字病理学有潜力在临床实践中产生重大影响,但深度神经网络 (DNN) 的解释性不足成为制约其临床解释性的主要问题。研究旨在通过一种新方法来研究 DNN 的预测特征长度尺度,从而更好地评估 DNN 在解释数字显微镜图像中的特征使用。研究使用脑转移为例,突出了 DNN 在 H&E 染色组织切片图像上预测脑转移的注意力定位层次,有助于了解 DNN 的预测能力和其最佳学习要求。
Jun, 2024