全切片图像分析的深度学习:概述
Slideflow 是一种灵活的深度学习库,支持数字病理学的广泛深度学习方法,并包括快速的整个幻灯片接口来部署已训练好的模型,同时也具有高度优化的整个幻灯片图像处理等特点。
Apr, 2023
人工智能(AI)在大规模数字化临床数据集上训练系统以提高健康结果方面具有巨大潜力。计算病理学作为对诊断和生物标志物具有重大影响的大量显微镜图像数据,处于这一发展的前沿。百亿像素病理学切片由于其巨大的尺寸而面临独特挑战,通常被分成数万个较小的瓷砖进行分析。我们提出了一种新方法,通过在内存中全面高分辨率地同时训练瓷砖编码器和整个切片聚合器来解决这个问题,弥合了输入和切片级监督之间的差距。虽然计算成本更高,但详细的定量验证显示了病理基础模型的大规模预训练的前景。
Mar, 2024
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
本文总结和回顾了过去五年来针对深度学习在医学图像分析领域中面临着的挑战和问题进行的一系列研究和尝试,强调了半监督和无监督深度学习在医学图像分析领域的最新进展和贡献,并讨论了未来研究的可能解决方案和技术挑战。
May, 2021
在医学领域,深度学习方法已得到广泛应用。而深度学习方法面临的下一个重要挑战是解释性,即如何解释模型的决策。本文针对整个切片图像分类的情境,提出了一种基于梯度法、特征可视化和多实例学习等方法的解释性方法,旨在解释如何基于瓦片级别的评分做出决策、如何决定这些瓦片得分以及用于任务的哪些功能是相关的。通过在 Camelyon-16 整个切片图像数据集上进行训练,突出区分性特征的学习,并通过病理学家的验证,我们提出了一种基于提取特征的新型计算解释性幻灯片级别热图的方法。此方法的实验结果显示,该方法可以提高 AUC 的瓦片级分类性能达 29% 以上
Sep, 2020
该论文回顾了与医学图像分析相关的主要深度学习概念,并总结了 300 多项协同研究的成果,大部分研究在过去一年内发表。文中调查了深度学习在图像分类、物体检测、分割、注册等任务中的使用并提供了应用领域的简介。同时也探讨了未来研究的开放性挑战和方向。
Feb, 2017
本文综述了关于图像分割的研究,特别关注了基于深度学习模型的语义分割和实例分割方法,包括全卷积像素标定网络、编码器 - 解码器架构、多尺度与基于金字塔的方法、循环神经网络、视觉注意力模型和对抗生成模型。我们探讨了这些深度学习模型的相似性,能力和挑战,并讨论了未来的研究方向。
Jan, 2020
自我监督整个切片学习(S3L)框架可以通过利用整个切片的固有区域异质性、组织学特征变异性和信息冗余性来学习高质量的整个切片表示,用于癌症诊断和基因突变预测等诊断任务,并且在两种生物医学显微镜条件下显著优于基线模型。
Feb, 2024