CVPRJan, 2020

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 自适应加权多视场卷积神经网络在病理学语义分割中的应用

    本文提出了一种自适应加权多视野卷积神经网络（AWMF-CNN）用于 WSI 图片的多种癌症亚型区域的图像分割。该方法使用不同放大倍率的图像特征，据此自适应地调整每种图像特征在融合过程中的权重，并成功优于其他先进方法。

    Apr, 2019

  • CAMIL: 基于上下文的多示例学习用于大规模切片图像分类

    本研究开发了一种新的深度学习池化操作符 —— CHARM，以提高癌症诊断的准确性和可解释性，实验结果证明其在非小细胞肺癌和淋巴结转移的亚型识别方面优于其他弱监督分类算法。

    May, 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

  • 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

  • 上下文感知自监督学习整张切片图像

    本文提出了一种通过将全切片图像 (WHIs) 表示为图来进行肿瘤诊断的方法，使用图卷积网络 (GCN) 捕获 WSI 中的上下文依赖关系，并使用自监督学习获取无标签数据的训练增强。这种方法利用节点表示 WSI 的 patch，是一种包含上下文信息的模型方案，相比于现有方法或基于多实例学习（MIL）的方案实现了性能的提升。

    Jun, 2023

  • 基于组织病理图像的胶质瘤亚型分类：领域内和领域外迁移学习的实验研究

    我们在本文中对用于成年型弥漫性胶质瘤的计算机辅助分类的各种迁移学习策略和深度学习架构进行了全面比较。我们评估了针对组织病理学图像目标领域的域外 ImageNet 表示的泛化能力，并研究了使用自监督和多任务学习方法进行预训练的在域适应的影响。此外，我们提出了一种半监督学习方法，其中利用微调模型来预测整张幻灯片图像的未标注区域的标签。在使用先前步骤中确定的真实标签和弱标签进行重新训练后，模型表现优异，平衡准确率为 96.91％，F1 分数为 97.07％，并最大程度地减轻了病理学家的注释工作量。最后，我们提供了一种工作在幻灯片图像级别的可视化工具，生成能突出肿瘤区域的热图，从而为病理学家提供幻灯片图像中最有信息的部分的见解。

    Sep, 2023

  • 组织病理图像深度实例级困难负样本挖掘模型

    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。

    Jun, 2019

  • 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