Jun, 2021

基于实例的视觉变换器，用于肾小管乳头状肾癌组织病理图像的分型

PDF
TL;DR本文提出了一种基于实例技术的 Vision Transformer 模型来更精细地分类 papillary renal cell carcinoma 组织切片，通过提取更细的特征来捕捉细胞和细胞层级别方面的特征，并在实验中表现出比现有 CNN 模型更好的性能。
papillary renal cell carcinomahistopathological imagesinstance-based vision transformerfine-grained classification taskcellular and cell-layer level patterns
发现论文，激发创造
  • 基于 CT 图像的肾细胞癌病理分类的稳健深度学习方法及不确定性估计

    开发和验证一个基于深度学习的诊断模型，结合不确定性估计，以便帮助放射科医生基于 CT 图像在术前区分肾细胞癌（RCC）的病理亚型。

    Nov, 2023

  • 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

  • 基于组织病理学模型的精确卵巢癌亚型分类

    大型预训练 transformers 在基于任务的人工智能模型中发挥着重要作用，其中组织病理学基础模型在卵巢癌亚型分类中表现出良好的潜力，并通过多个评估指标显示出性能优势。

    May, 2024

  • 使用最少的基于点的注释在全切片图像中检测和分类肾细胞癌

    该研究提出了一个使用半监督学习方法的框架，利用未标记的 WSI 数据通过 Minimal Point-Based 标注来准确检测癌症区域，并利用创新的混合损失来训练亚型分类模型，该模型在 3 种不同类型的肾细胞癌中的表现具有可比性和较高的 F1 得分。

    Aug, 2020

  • 基于有监督对比视觉变换器的乳腺组织病理图像分类

    使用监督对比视觉转换器（SupCon-ViT）的新方法，借助迁移学习和监督对比学习的优势，改进了浸润性导管癌（IDC）的分类准确性和泛化能力，并在基准乳腺癌数据集上取得了最先进的性能，F1 分数为 0.8188，精确度为 0.7692，特异度为 0.8971，超过现有的方法。该模型在有限标记数据的场景下表现出韧性，因此在标记数据有限的真实临床环境中具有高效性，研究结果表明，监督对比学习结合预训练的视觉转换器似乎是进行 IDC 准确分类的可行策略，从而为通过组织病理学图像分析更高效可靠的乳腺癌诊断铺平了道路。

    Apr, 2024

  • 基于病理医师的肾癌数字病理学图像标注数据集 RCdpia

    数字病理学中的肾细胞癌的数字化切片数据的注释对于正确诊断人工智能模型至关重要，通过增强数据适用性和提高预测精度，这些进展突显了数字病理学领域中更精细和准确的人工智能应用的潜力。

    Mar, 2024

  • 使用 Vision Transformer 进行肺癌多标签分类的零样本学习和少样本学习

    研究利用预训练的 Vision Transformer 模型对肺癌病理组织切片（来自数据集 LC25000）进行多标签肺癌分类，比较了零样本和少样本 ViT 的性能表现，结果表明预训练的 ViT 模型在零样本设置下表现良好，在少样本设置下有较高的准确度、精度、召回率、敏感度和特异性，并且在 Fig-Shot 设置下获得了最佳结果（在 validation 集和 test 集上均为 100%）

    May, 2022

  • 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

  • 应用层次视觉变换器和多实例学习预测组织病理学中的卵巢癌治疗反应

    评估了深度学习方法在预测卵巢癌治疗效果方面的效力，发现使用预训练的图像金字塔转换模型提取区域级特征，再用基于注意力的多实例学习模型进行整合和分类，能够部分预测抗血管生成药物 bevacizumab 在卵巢癌患者中的治疗效果，但受数据集限制和异质性的影响，准确性还需要更大、更高质量的数据集进一步验证。

    Oct, 2023

  • 自监督视觉 Transformer 在组织病理学中学习视觉概念

    本文通过训练多种自监督模型，发现采用基于 DINO 知识蒸馏的 Vision Transformers 模型能够实现对组织形态学特征进行有效解释，在多个弱监督和补丁级任务上进行了验证。

    Mar, 2022