AAAIJun, 2018

G2C: 一种生成器到分类器框架，整合多重染色的视觉提示用于病理性肾小球分类

PDF
TL;DR该论文提出了一种名为 G2C 的两阶段框架，该框架通过将来自指定染色的输入图像应用于多个生成器来整合多种染色的视觉线索进行肾小球分类，然后使用分类器将不同染色的视觉线索组合以预测其是否具有病理属性或者是什么类型的病理属性，并在自己收集的肾小球类型分类数据集以及一个公共数据集中进行了实验验证。
pathological glomerulus classificationmulti-stained visual cuesgenerator-to-classifierglomerulus type classificationbreast cancer classification
发现论文，激发创造
  • 肾病理学中自动细粒度糸球体损伤识别

    本文提出了一种从全幅切片图像中识别细粒度肾小球病变的方案，通过一个聚焦实例结构相似性 loss 来驱动模型精确定位所有类型的肾小球，设计了一种不需要边界框注释的不确定性辅助配应网络来进行细粒度视觉分类，结果表明，相比较其他显著检测方法，在幻灯片评估中平均精度优化率为 8-22% 的提高，全面证明了该方法的有效性。

    Mar, 2022

  • CellGAN: 用于增强细胞病理图像分类的条件性宫颈细胞合成

    本文提出了基于 CellGAN 的 TCT 细胞病理学图像合成方法，用于增强细胞类型分类，并验证了该方法的有效性。

    Jul, 2023

  • C2P-GCN: 细胞到区块图卷积网络用于结直肠癌分级

    我们提出了一种新颖的细胞至块状图卷积网络 (C2P-GCN)，该方法通过双阶段图形构建，将整个 WSI 的结构数据整合到单个图中，有效地在腺癌病理图像中收集局部结构细节，并在所有块状图像之间建立有意义的连接。C2P-GCN 通过将整个 WSI 的结构数据整合到单个图中，使我们的模型能够使用比最新的结直肠癌模型更少的训练数据，实验证明了我们方法的有效性。

    Mar, 2024

  • 利用弱到强的一致性进行半监督肾小球分割

    基于弱到强一致性框架的半监督学习方法，在多个真实数据集上验证，对肾小球分割取得了卓越的性能，超过了现有的监督基准模型，如 U-Net 和 SegFormer。

    May, 2024

  • MGCT: 基于综合组织病理学 - 基因组特征的生存结局预测的互相引导的跨模态变换器

    基于深度学习的计算病理学领域的研究表明，利用全切片图像（WSIs）客观预测癌症患者预后的效果显著。然而，目前大多数预后方法局限于组织病理学或基因组学，不可避免地降低了其准确预测患者预后的潜力。为了解决这些问题，我们提出了一种弱监督、基于注意机制的多模态学习框架 —— 互相引导的跨模态转换器（MGCT），可以利用组织学特征和基因组特征来建模肿瘤微环境内的基因型 - 表型相互作用。通过使用来自癌症基因组图谱（TCGA）的五种不同癌症类型的近 3600 个 Gigapixel WSIs 进行实验，广泛的实验结果一致表明 MGCT 优于现有的最先进方法（SOTA）。

    Nov, 2023

  • 深度视网膜图像诊断中的病理学证据探索

    本研究提出一种基于深度学习的医学诊断方法，使用病理描述符从神经元中提取特征，通过生成对抗网络合成具有糖尿病性视网膜病变特征的病理性视网膜图像，并经过专业医生验证证明其优于现有方法。

    Dec, 2018

  • 半监督的 ViT 知识蒸馏网络与风格转移归一化用于结直肠肝转移生存预测

    我们提出了一个自动预测肠癌患者结直肠癌肝转移的病理预后的端到端方法，利用 H&E 和 HPS 染色的组织学切片；我们使用生成对抗网络对切片进行标准化，采用半监督模型进行组织分类，使用注意力机制加权不同区域进行分类，训练预后模型并在 258 名患者上进行了评估，结果证明我们的方法在预测生存和治疗时间反应方面具有优越性，可推动精准医学在管理结直肠癌肝转移患者中的进展。

    Nov, 2023

  • 结合弱监督和强监督对前列腺癌组织学图像进行分类

    本研究通过联合训练两个数据集以及引入一种梯度更新机制，旨在自控弱监督信号，基于大型弱标记数据集和小型强标记数据集，自动赋予前列腺癌全层切片的格里森分数的任务。我们的方法在与标准格里森评分方法比较时取得了优异的性能。

    Nov, 2018

  • 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

  • NMGrad: 利用弱监督深度学习推进组织病理学膀胱癌分级

    通过使用组织切片进行分级，利用卷积神经网络进行特征提取，并采用嵌套多实例学习方法和注意力机制预测恶性程度，该研究提出了解决膀胱癌分级的新方法，经临床评估表明该模型优于现有的先进方法。

    May, 2024