Mar, 2019

学习何处关注：一种用于自动免疫组化评分的新型注意力模型

PDF
TL;DR提出一种深度强化学习模型，利用免疫组化（IHC）评分的 HER2 作为顺序学习任务，以鉴别性特征学习为中心，针对多分辨率大型图像的样本块进行深度处理，以实现该评分的序列化预测，并取得了比现有方法更优越的性能，在计算病理学领域中具有推广应用的潜力，这是使用深度强化学习的第一项 IHC 评分研究。
发现论文，激发创造
  • 利用深度学习和金字塔采样进行乳腺癌图像中的自动 HER2 评分

    使用深度学习方法对免疫组织化学染色的乳腺癌组织图像进行 HER2 状态自动分类，以提高诊断准确性和评估速度，对乳腺癌的治疗规划可能产生重大影响。

    Apr, 2024

  • 全自动基于深度学习的免疫组织化学报告算法的开发与验证

    使用基于深度学习的半监督训练的全自动决策支持系统 (DSS)，对浸润性导管癌进行免疫组化评分，从而提高免疫组化评分的准确性和治疗决策，特别是在专家不可用的情况下。

    Jun, 2024

  • 应对 HER2 乳腺癌组织学图像分类中的不确定性：一种可解释的集成方法与阈值筛选的单实例评估（SIE）

    该研究提出了一种集成方法，结合 HER2 表达的多分类，从乳腺癌组织病理切片图像中诊断乳腺癌，通过与现有模型的比较，该方法取得了 97.12% 的准确率，并有显著改进。

    Aug, 2023

  • 乳腺癌免疫组织化学图像生成：基准数据集和挑战评估

    本文介绍了乳腺癌免疫组化图像生成挑战赛，旨在探索深度学习技术在病理图像生成领域的新思路并促进研究。我们进一步分析了该领域的当前限制并预测了未来的发展。发放的数据集和挑战将希望能激发更多学者共同研究更高质量的免疫组化染色图像的生成。

    May, 2023

  • 基于深度学习的数字乳腺癌免疫组织化学图像精确自动化量化的实例分割

    使用基于深度学习的实例分割体系结构的自动量化方法，成功地将细胞核和膜生物标记物应用于免疫组化染色的胸部肿瘤图像，并集成到开发的网络平台中，作为病理学家的决策支持工具。

    Nov, 2023

  • 评估基于深度学习的黑色素瘤分类研究：免疫组织化学和常规组织学的三中心研究

    通过研究利用 MelanA 和 H&E 染色组织切片的深度学习支持系统，我们发现 MelanA 分类器与基准 H&E 分类器表现相似，可以通过多染色分类进一步提高性能，为病理学家的临床工作提供帮助。

    Sep, 2023

  • 从 H&E 染色的乳腺癌图像中预测 Ki67、ER、PR 和 HER2 状态

    通过使用机器学习方法和数字病理学，本研究建立了一个大规模数据集（185,538 张图像），通过可靠的 Ki67、ER、PR 和 HER2 状态测量结果，验证了基于 ViT 的标准流水线能够在正确的标注协议下达到大约 90% 的预测性能，同时揭示了训练分类器定位相关区域的能力，为未来改进本领域的本地化工作提供了启示。

    Aug, 2023

  • BCI：金字塔 Pix2pix 生成乳腺癌免疫组织化学图像

    提出了一种乳腺癌免疫组化标准，能够通过 HE 染色图像的合成直接综合 IHC 数据，可用于 HER2 表达评估的病理研究。

    Apr, 2022

  • 使用联邦学习的点变换器从苏木精和伊红染色全切片图像中预测乳腺癌 HER2 状况

    通过使用点变换器与联邦学习方法对多地点 HER2 状态进行预测，我们提出了两个新的设计：动态标签分布策略和辅助分类器，它们有助于建立可初始化的模型和减轻不同地点标签分布的变化；此外，我们还提出了基于余弦距离的最远余弦采样，能够选择最具特色的特征并捕捉长程依赖关系。广泛的实验和分析表明，我们的方法在 4 个地点的 2687 个 WSIs 上实现了最先进的性能，并且我们证明了我们的模型可以泛化到两个未见过的地点，共 229 个 WSIs。

    Dec, 2023

  • hist2RNA：由乳腺癌组织病理学图像预测基因表达的有效深度学习架构

    利用数字组织病理学图像和深度学习，通过一个新的计算方法 (hist2RNA) 来预测含有 138 个基因的新型分子表型检测结果，包括腺激素受体阳性的乳腺癌亚型，并能为患者的术后治疗提供良好预测。

    Apr, 2023