Aug, 2017

利用深度卷积特征的组织学染色上下文归一化

PDF
TL;DR本研究提供了一种用于标准化组织学染色的完全自动化、端到端基于学习的设置，该设置考虑了组织的纹理上下文，并通过结合来自长短时记忆单元的门控元素的批量归一化框架来扩展特征感知归一化。为了实现优秀的标准化结果并确保颜色和纹理的一致表示，作者将预训练的深度神经网络作为特征提取器来引导像素处理管道，并使用颜色直方图偏差、结构相似性和颜色体积等指标对不同方法进行评估。
digital pathologyhistological stainsend-to-end learningfeature extractionneural network
发现论文，激发创造
  • 深度学习在计算病理学中数据增强和染色归一化效果的量化分析

    本文研究组比较了针对组织切片染色变异的两种技术：染色色彩扩增和染色色彩规范化，并在异质性数据集上量化了它们对卷积神经网络分类性能的影响，并提出了一种使用神经网络进行无监督染色色彩规范化的新方法。

    Feb, 2019

  • 上下文感知卷积神经网络用于结直肠癌组织学图像分级

    本文介绍了一种基于上下文感知的神经网络，可以用于对数字组织病理学图像进行更高分辨率的分析，并在结肠癌分级和乳腺癌分类方面获得了比传统方法更好的结果。

    Jul, 2019

  • 弱监督学习的良好特征提取器

    深度学习在病理学中的应用包括疾病预测和个体化治疗，研究表明，在计算机病理学中，传统的染色归一化处理在深度学习时代仍然存在争议，采用以自我监督学习训练的特征提取器可以在省内存和计算资源的同时不影响下游性能，同时对染色和图像扩增具有鲁棒性。

    Nov, 2023

  • 利用可转移特征的上下文感知学习进行乳腺癌组织学图像分类

    使用基于 CNN 的分类激活特征和重叠图像块的特征来实现基于上下文信息的乳腺癌分类方法。结果表明，该方法在小数据集上比现有算法表现更出色。

    Feb, 2018

  • 组织病理学中的染色归一化的生成对抗网络

    数字病理学的快速发展为发展基于人工智能的工具改善临床诊断的准确性和效率提供了理想的机会。本文探讨了数字病理学中用于染色标准化的不同技术，重点关注利用生成对抗网络（GAN）的方法。研究者旨在找到一种有效和高效的方法来标准化病理图像，以使人工智能模型更具鲁棒性和可推广性。

    Aug, 2023

  • 使用卷积神经网络对结肠组织进行分类中需进行染色归一化的重要性

    本文使用卷积神经网络（ConvNets）提出了一种用于直肠癌组织分类的系统，并探究了组织分类中染色归一化的重要性，同时报告了 ConvNets 在一批直肠癌样本和一组公开的结直肠 H&E 图像数据集上的表现。

    Feb, 2017

  • 组织学切片的多目标染色归一化

    传统的染色标准化方法通常依赖于选择单个代表性参考图像，而这可能不能充分考虑在实际情况下收集的数据集的各种染色模式。本研究引入了一种新颖的方法，利用多个参考图像增强对染色变异的鲁棒性。我们的方法无需参数，并可以在现有的计算病理学流程中采用而无需重大更改。我们通过在结肠癌图像上使用深度学习流程进行自动核分割的实验来评估我们方法的有效性。结果表明，通过利用多个参考图像，可以在广义到外部数据时获得更好的结果，而这些数据的染色与训练集有很大的差异。

    Jun, 2024

  • 染色一致性学习：处理数字病理学分割中的染色变异

    数字病理学中的染色变异是自动化分析的一个独特挑战，本研究提出了一种新的框架，利用染色的特定增强和染色一致性损失函数来学习染色色彩不变的特征，在细胞和细胞核数据集上，与其他方法相比，该方法表现最佳。

    Nov, 2023

  • 多染色多层卷积网络用于多组织乳腺癌图像分割

    我们提出了一种基于卷积神经网络的多类组织分割模型，通过像素对齐的非线性融合实现了局部和全局视野，能够准确检测各种组织类别，并且对于多种染料和扫描仪具有稳定性。

    Jun, 2024

  • 通过融合通道注意力和域对抗训练提高 CNN 对染色不变性的分割能力

    本研究提出了一种卷积神经网络的通道注意机制，用于检测特定染色的特征，并对先前提出的耐染色训练方案进行修改，以提高单一来源的卷积神经网络对染色变化的普适性。通过在多中心和多染色样本集上的评估，我们证明了该方法的有效性，并表明该方法和染色增强的组合可以实现相互有益的结果。

    Apr, 2023