利用图神经网络进行组织病理学图像的表示学习
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
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
本研究提出了一种基于整张切片图像的图像学习算法，利用基于位置的嵌入和图形注意机制，采用样条卷积神经网络进行结点位置嵌入，用于肾癌和前列腺癌的分级诊断，并使用渐变解释方法生成突出显着的区域地图，从而使该方法可解释性更好地识别WSI中的癌症区域。
Jun, 2023
我们提出了一种新颖的动态图表示算法，将组织病理学切片图像（WSIs）概念化为知识图结构的形式，通过动态构建邻居和带向边嵌入的头尾实例之间的关系，利用知识感知的注意机制更新头结点特征，然后通过全局池化过程获得图级嵌入，作为WSI分类的隐式表示。我们的端到端图表示学习方法在三个TCGA基准数据集和内部测试集上优于最先进的WSI分析方法。
Mar, 2024
通过引入整合图转换器框架，本研究在数字病理学中用于弱监督组织病理学全幻灯片图像分类的多实例学习策略可以同时捕捉上下文感知的关系特征和全局图像表示，实验证明该方法在WSI数据集上具有优越性能，准确率提高1.0%-2.6%，在AUROC上提高0.7%-1.6%。
Mar, 2024
综述了整个切片图像（WSIs）中图神经网络（GNNs）的应用，讨论了它们在组织病理学中的应用，并探讨了未来发展趋势。通过对四个新兴趋势的深入探索，提供了关于GNNs在组织病理学分析中发展的见解，并提出了未来的研究方向。该分析旨在通过图神经网络引领研究人员和从业者探索创新的方法和方法，推动组织病理学分析的发展。
Jun, 2024
通过考虑幻灯片之间的互相关联性，我们提出了一个通用的WSI分析流水线SlideGCD，将现有的多实例学习方法作为骨干，并将WSI分类任务构建为节点分类问题。SlideGCD通过存储先前幻灯片嵌入来进行广泛基于幻灯片的图构建，并进行图学习来探索幻灯片之间的互相关联性，进而实现MIL分类器和图学习的两个并行工作流，并通过知识蒸馏将可区分信息传递给图神经网络。在两个TCGA基准数据集上观察到SlideGCD带来的一致性性能提升，超过了四种最先进的MIL方法。
Jul, 2024
本研究解决了当前组织病理学全幻灯片图像分析中忽视幻灯片之间可能的相互关系的问题。提出的SlideGCD模型通过引入幻灯片间的关联性，提升了现有多实例学习框架的性能，验证了在癌症分型、分期、存活预测和基因突变预测等任务中的有效性和鲁棒性。
Oct, 2024