CVPRMay, 2017

数字病理扫描图像的分类和检索：一个新数据集

PDF
TL;DR本文介绍了一个新的数据集 “Kimia Path24”，该数据集可用于数字病理学中的图像分类和检索，并通过使用 24 种不同的组织纹理的全扫描图像生成了 1,325 个大小为 1000x1000 的测试补丁。通过 LBP，字典方法和卷积神经网络等方法进行了基准测试，结果表明卷积神经网络获得了最高的准确性，41.8％。
发现论文，激发创造
  • 病理学中的 TB 级深度多实例学习用于分类和定位

    该研究使用大规模的有标签数据集训练深度学习模型结合 “多示例学习”，以在针生物镜下进行前列腺癌诊断，并获得了很高的 AUC，为计算病理学领域的决策支持系统部署提供了基础。

    May, 2018

  • 利用迁移学习自动分类组织病理学图像

    利用 DenseNet-161 和 ResNet-50 预训练 CNN 模型，通过迁移学习的方法对数字组织病理学补丁进行分类，实验结果表明，这种方法可以自动检测和分类疾病，并在分类效果方面表现出色。

    Mar, 2019

  • 使用 TCGA 诊断幻灯片进行 DenseNet 的组织病理图像表示微调和训练

    本文提出一种新的神经网络 KimiaNet，通过使用大量组织病理学图像，比较 KimiaNet、DenseNet 和 CBR 网络的性能，并发现 KimiaNet 对于表征组织病理学图像是优越的。

    Jan, 2021

  • PanNuke 数据集扩展、见解和基线

    本研究旨在探讨如何利用深度学习算法对组织切片图像的细胞核进行分割和分类，并针对目前深度学习算法在实际医疗应用方面面临的挑战提出建议和研究方向。

    Mar, 2020

  • 利用人工智能搜索归档的组织病理学图像进行全癌种诊断共识

    本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中，通过搜索最大的公共存储库之一，本文显示出当足够的可搜索案例数量可用于每种癌症亚型时，计算机一致性似乎可以用于诊断。

    Nov, 2019

  • NuCLS: 一种可扩展的众包深度学习方法与数据集，用于细胞核分类、定位和分割

    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

  • HAM10000 数据集：常见色素性皮肤病多源皮肤镜图像的大规模收集

    利用具有不同种族和不同获取模式的皮肤镜图像，通过不同的采集和清洗方法以及半自动工作流程和特别训练的神经网络，我们成立了 HAM10000 数据集，这个数据集由 10015 个用于学术机器学习目的的皮肤镜图像组成，覆盖养猪场多种重要诊断范畴，用于训练神经网络。

    Mar, 2018

  • 利用语义分割的多阶段病理图像分类

    本论文提出了一种新的模型结构，将基于补丁的分类模型和整个切片比例的分割模型相结合，以提高自动病理诊断的预测性能，并通过优化方法，使模型部分地进行端到端学习，应用于 WSI 的肿瘤 / 正常预测，与传统基于补丁的方法相比，分类的性能得到了提高。

    Oct, 2019

  • 数字病理学中无旋转偏见的图像表示学习

    本研究提出了三个关键技术贡献，分别为：一种快速的片段选择方法（FPS）用于全切片图像分析，显著降低计算成本同时保持准确性；一种轻量级组织病理特征提取器 PathDino，仅包含五个 Transformer 块和 900 万参数，较其他方法大大减少；一种使用自监督学习的旋转不变表示学习范式，有效减轻过拟合。并且通过在 12 个不同数据集上的评估，证明我们的紧凑模型优于现有的最先进组织病理专用视觉转换器，还验证了其在数字病理学中增强图像分析的鲁棒性。

    Nov, 2023

  • 用于计算病理学的四叉树图像表示

    该研究提出了一种使用四叉树生成可解释的肉眼病理图像表示并进行图像分类的流程，成功地在占用数据更少的情况下实现了优秀的分类效果。

    Aug, 2021