Jun, 2019

组织病理图像深度实例级困难负样本挖掘模型

PDF
TL;DR本研究提出了一种基于深度卷积神经网络和注意力机制的多示例学习方法，旨在对整个组织切片图像进行分析并发现对诊断具有关键意义的细胞区块，并在结直肠和乳腺癌病理数据上取得了最先进的表现。
histopathology image analysismultiple instance learningdeep convolutional neural networkattention mechanismhard negative instance
发现论文，激发创造
  • DTFD-MIL: 双层特征蒸馏多示例学习用于组织病理学全切片图像分类

    提出在组织病理学 WSI 分类问题中，通过引入虚拟 pseudo-bags 的概念并构建双层 MIL 框架来扩大样本数，同时在基于注意力的 MIL 框架下推导实例概率，显著优于最新方法并可适用于更广泛的 MIL 应用。

    Mar, 2022

  • 基于弱监督学习的病理切片整体分类

    该研究提出了一种基于病理先验的多实例学习框架，通过数据增强方法和空间相关性分析，能够有效地用于癌症检测和亚型区分的医学图像分类任务。

    Jul, 2023

  • 利用语义分割的多阶段病理图像分类

    本论文提出了一种新的模型结构，将基于补丁的分类模型和整个切片比例的分割模型相结合，以提高自动病理诊断的预测性能，并通过优化方法，使模型部分地进行端到端学习，应用于 WSI 的肿瘤 / 正常预测，与传统基于补丁的方法相比，分类的性能得到了提高。

    Oct, 2019

  • 多尺度领域对抗多实例 CNN 用于未注释组织病理学图像癌症亚型分类

    本文提出了一种利用深度学习中的多例、领域对抗和多尺度学习框架，从组织病理学图像中识别癌症亚型的新方法，并在 196 个病例中测试，表明该方法比标准 CNN 或传统方法更准确，且与标准病理学家的准确性相当。

    Jan, 2020

  • 使用深度多实例学习和对比预测编码的半监督组织学分类

    本研究提出了一种基于两阶段半监督学习的方法，将自监督特征学习和正则化的注意力弱标注多实例学习相结合，应用于乳腺癌病理图片二分类任务，并通过五个随机数据集实现了当前最先进的分类性能。

    Oct, 2019

  • 组织病理学图像分割的受限深度弱监督

    本文提出了一种新的弱监督学习算法，命名为 DWS-MIL，用于学习在组织病理学图像中分割癌症区域，该算法集成了全卷积网络、多尺度学习和正实例约束等技术，通过图像弱监督传递的信息完成分割任务，并在医学图像处理领域取得了最优结果。

    Jan, 2017

  • 异质图像多实例学习：用 CNN 进行组织病理学训练

    本研究提出了使用分位数函数汇聚图像小区域预测结果的多实例学习方法，以及在随机裁剪区域上应用多实例聚合的图像增强方法，该方法在乳腺肿瘤组织分类中进行了五种不同任务的验证，并提供了一种可视化方法以解释局部图像分类，这可能有助于对肿瘤异质性的未来洞见。

    Jun, 2018

  • 如病理医师一般诊断：变形金刚启用的分层注意力引导多示例学习用于全切片图像分类

    提出了一个全局利用 WSI 的 Hierarchical Attention-Guided Multiple Instance Learning 框架，该框架动态地、全面地发现了 WSIs 的多个分辨率上的显著区域，同时使用 Integrated Attention Transformer（由多个 Integrated Attention Modules 组成）进一步提高了 transformer 的性能，实验表明，该方法在多个数据集上取得了最先进的表现。

    Jan, 2023

  • 上下文感知的叠式卷积神经网络用于对全幅组织病理学图像中的乳腺癌进行分类

    本文提出一种上下文感知的堆叠卷积神经网络模型，用于对乳腺癌组织 WSI 的细胞级信息进行分类，成功实现对病理组织的诊断和分类。

    May, 2017

  • 基于 Patch 的卷积神经网络用于全切片组织图像分类

    通过训练决策融合模型以及利用 EM 方法自动定位有效的 Patch，可以实现对肿瘤亚型的分类，其分类精度与病理学家之间的一致性相似，这种基于 Patch 的 CNN 可以比基于图像的 CNN 更好地处理图像分类任务。

    Apr, 2015