Jul, 2018

从全切片图像预测乳腺肿瘤增殖：TUPAC16 挑战

PDF
TL;DR本文介绍了一个用于评估肿瘤增殖率的挑战赛，其中使用了全切片图像 (WSIs) 以及基于基因表达的 PAM50 增殖得分预测。最佳表现的自动肿瘤增殖评估方法在第一个任务中取得了 0.567 的 kappa 得分，在第二个任务中与基础实况具有 0.617 的斯皮尔曼相关系数。
tumor proliferationbreast cancerwsismitotic scoresgene expression
发现论文，激发创造
  • 一种统一的框架，用于乳腺组织病理学中肿瘤增殖评分的预测

    我们提出了一个统一的框架，从乳腺组织病理学全幻灯片图像中预测肿瘤增殖评分。该系统提供了完全自动化的解决方案，预测基于分子数据和有丝分裂计数的肿瘤增殖评分。我们的方法在 Tumor Proliferation Assessment Challenge 2016 中获得了三个任务的第一名。

    Dec, 2016

  • 乳腺癌组织病理学图像中有丝分裂检测算法的评估

    本研究介绍了自动图像分析在乳腺肿瘤组织分析中的应用，通过分析 AMIDA13 数据集和 11 种不同的算法，提出了一种性能可与病理学家间交互的标准相媲美的图像分析算法。

    Nov, 2014

  • 乳腺癌弱标签全切片图像的 PD-L1 分类

    本研究旨在基于 WSI 分析开发和比较能够根据 WSI 级别标签对乳腺癌样本的 PD-L1 阳性分类的模型，该任务包括 ROI 识别和将肿瘤分类为 PD-L1 阳性或阴性两个阶段，研究探讨了不同的特征提取方法和两个不同的训练配置，并测试了自动去除棕色伪迹的性能表现。

    Apr, 2024

  • 利用多个实例学习在整个切片图像中找到感兴趣区域

    通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

    Apr, 2024

  • 组织病理学图像中的有丝分裂领域通用性问题 -- MIDOG 挑战

    本文评估和比较不同算法的性能表现，针对临床用途中的整张切片扫描仪领域差异问题，提出和评估了一种扫描器不可知的有助于病理学家判读分级的异常分裂细胞检测算法。

    Apr, 2022

  • 基于自对比的半监督学习框架用于预后预测的全切片图像

    应用深度学习技术分析组织病理图片对于自动预后预测的重要性进行了创新性研究，提出了一个新颖的三部分框架，包括基于卷积网络的组织分割算法、对比学习模块和嵌套多示例学习分类模块。在人工生成的数据和简单的诊断任务上进行了初步验证，并在膀胱癌的预后预测任务中取得了显著的成果，模型的 AUC 分别达到 0.721 和 0.678。

    May, 2024

  • 克服基于 Patch 学习的限制，用于识别全扫描切片图像中的癌症

    本文讨论如何将深度学习用于对大型 WSI 图像进行癌症检测， 比较分析基于图像块或幻灯片的分类与需要在整个幻灯片上准确定位或分割癌症的方法之间的差异，并提出一种负数据采样策略，可显着降低假阳性率，并在肿瘤范围的错误率上取得 15% 的减少。

    Dec, 2020

  • 利用多模型方法整合全切片成像和临床病理特征预测乳腺癌复发风险

    发展了一种多模态方法，结合全幻灯片图像分析和临床病理数据来预测相关的乳腺癌复发风险，并根据预测分数将患者分为低风险和高风险两组，提供了一种个性化治疗乳腺癌患者的替代方法，可能改善其疗效。

    Jan, 2024

  • 整片切片图像的肿瘤分割：训练还是提示？

    肿瘤分割是肿瘤诊断中的关键任务，本文研究了在组织学中应用全幻灯片图像进行肿瘤分割的深度学习方法，同时利用视觉提示的新范式在三个不同的器官中展示了与传统方法相比相当甚至更好的性能。

    Feb, 2024

  • 用于鉴定转移性乳腺癌的深度学习

    使用深度学习技术，结合人工病理学家的诊断结果，实现对淋巴结活检全滑片图像中转移性乳腺癌的自动检测，能够在提高病理诊断准确性方面发挥重要作用。

    Jun, 2016