Dec, 2017

无监督组织病理图像合成

PDF
TL;DR本研究提出了一种无监督学习的方法，利用生成对抗网络（GAN）生成与真实组织学图像相似的组织学图像，以提高分类 CNN 的性能，该方法不仅能在缺少监督数据的情况下有效地进行癌症诊断，而且对于含有监督数据的情况仍能表现出色。
histopathologyunsupervised learninggenerative adversarial networkcnncancer diagnosis
发现论文，激发创造
  • 基于核心感知的自监督预训练：使用图像对图像转换技术的非配对组织病理学图像

    提出一种新颖的基于细胞核感知的自监督预训练框架，通过组织病理图像与伪掩膜图像之间的无配对图像转换来捕获细胞核形态和分布信息，并采用条件和随机样式表示来调节生成过程，以实现预训练图像的真实性和多样性；同时，采用实例分割引导策略来捕获实例级信息。实验结果表明，该预训练方法在 Kather 分类、多实例学习和 5 个密集预测任务上优于有监督方法，并且在 8 个半监督任务上比其他自监督方法取得了更好的结果。

    Sep, 2023

  • 自监督一致性训练用于高效组织病理图像分析

    利用基于多分辨率背景下组织病理全切片图像的潜在上下文线索的自我监督预训练任务，以及新型的师生半监督一致性模式，使用任务无关和任务特定无标签数据来学习强大的监督信号进行无监督表征学习，并在有限标签数据下表现出与其他现有最先进方案相近乃至优越的性能。

    Feb, 2021

  • 基于生成式对抗网络的组织病理图像细胞级视觉信息无监督学习

    本文提出了一种新的联合生成 - 对抗网络架构，通过学习细胞级别的视觉表示来执行无监督的细胞级别视觉表示学习，并利用这种学习开发了一种能够在骨髓数据集上进行组织病理学图像分类的流程。

    Nov, 2017

  • 组织病理图像中多个器官核分割的深度对抗训练

    利用 cGAN 训练的条件生成模型，基于合成和真实数据，实现了针对不同器官、地点、患者和疾病状态的细胞核分割，优于传统方法。

    Sep, 2018

  • 从组织病理学图像生成细胞学图像的可行性研究

    通过使用生成模型，如 CycleGAN 和神经风格迁移，将公开可用的乳腺组织学样本转化为合成的细胞学图像，我们研究了医学影像领域中的自动化和深度学习技术的应用，通过测量 FID 和 KID 分数发现所生成的细胞学图像与真实的乳腺细胞学样本非常相似。

    Mar, 2024

  • 数字病理学的自监督对比学习

    本文介绍一种使用 SimCLR 方法进行自监督学习的无监督学习方法，该方法在数字病理学数据集上的预训练在多项下游任务中优于在 ImageNet 上预训练的网络，F1 平均分提高了 28% 以上。

    Nov, 2020

  • 图像合成作为无监督组织病理学诊断的前置任务

    本文提出了使用无监督生成式模型来进行异常检测的方法，并在数字病理学领域展示了其优势，实验证明这种方法比有监督模型更优秀。

    Apr, 2021

  • 基于 GAN 的虚拟染色：全切片图像分析的有希望解决方案

    本文提出了一种基于条件 CycleGAN 网络的方法，将 H＆E 染色图像转换为 IHC 染色图像，实现同一切片的虚拟 IHC 染色，并展示了该方法在图像转换方面的优越性。

    Jan, 2019

  • HoVer-Net: 多组织组织学图像中细胞核的同时分割和分类

    通过使用卷积神经网络将核数据分离和分类，进而对数字病理学的工作流程进行优化。

    Dec, 2018

  • CLASSMix：基于自适应染色分离的对比学习与伪标签在组织病理图像分类中的应用

    本研究提出了一种新的半监督分类模型，命名为 Contrastive Learning with Adaptive Stain Separation and MixUp (CLASSMix)，该模型是基于适应性染色分离的苏木精和伊红染色图像的对比学习和混合学习的组合，经在肾细胞癌数据集上的对比分析，证明了该模型在两个数据集上的优越性能。

    Dec, 2023