Oct, 2021

使用空间上下文表示进行多类细胞检测

PDF
TL;DR本文介绍了一种新方法在数字病理学中自动检测和分类不同类型的细胞，包括肿瘤细胞，淋巴细胞或基质细胞，该方法通过使用空间统计功能来描述局部密度和深度聚类技术来学习高级细胞表征，特别关注空间上下文，该方法在不同的基准测试中表现出更好的性能，尤其是在分类任务上，在乳腺癌细胞检测和分类新数据集上进行了验证，并让代码和数据公开可用。
digital pathologycell classificationspatial contextrepresentation learningbreast cancer
发现论文，激发创造
  • 数字病理学中基于拓扑的多类细胞上下文生成

    在数字病理学中，为了进行细胞分类、癌症诊断和预后，细胞的空间上下文信息至关重要。本研究引入了空间统计和拓扑数据分析中的数学工具，将这些结构描述符引入深度生成模型，作为条件输入和可微损失，来生成高质量的多类细胞布局，并证明了拓扑丰富的细胞布局可以用于数据增强和提高细胞分类等下游任务的性能。

    Apr, 2023

  • 组织病理学中的直方图图表

    本论文在组织切片图像中，使用图卷积网络 (Graph Convolutional Networks, GCNs) 对细胞的多属性空间图进行建模，通过提取细胞空间排列的复杂特征以实现肿瘤分类，得到了与 Inception-v3 相当的分类准确率。

    Aug, 2019

  • 全切片图像是 2D 点云：基于补丁图卷积网络的上下文感知生存预测

    本研究提出了一种 Patch-GCN 算法，该算法可以对肿瘤微环境中的局部和全局拓扑结构进行建模，从而对患者的生存预后进行更好的预测。该算法通过 4,370 张 WSIs 的验证，在 5 种不同的癌症类型中，表现出比之前研究中所有的弱监督方法都要好。

    Jul, 2021

  • NuCLS: 一种可扩展的众包深度学习方法与数据集，用于细胞核分类、定位和分割

    本文中，我们介绍了一种吸引医学生和病理学家参与的方法，用于在乳腺癌中标注细胞核的数据集，其中建议的注释可以通过弱算法来改善，该算法可用于训练分割算法，这种方法被称为 DTALE，旨在通过核分割和形态学特征来提高核分类模型的透明度。

    Feb, 2021

  • 上下文感知卷积神经网络用于结直肠癌组织学图像分级

    本文介绍了一种基于上下文感知的神经网络，可以用于对数字组织病理学图像进行更高分辨率的分析，并在结肠癌分级和乳腺癌分类方面获得了比传统方法更好的结果。

    Jul, 2019

  • 细胞检测和分割的弱监督多任务学习

    本研究使用深度学习算法和点标签编码方法，实现对 PMS2 染色大肠癌和扁桃体组织图像进行单个细胞检测和分割的目标，相比现有技术，本算法在不增加标注工作的情况下显著提高了细胞检测和分割的效果。

    Oct, 2019

  • 通过视觉上下文改善全切片分割 - 一个系统研究

    通过系统比较不同的神经网络结构来确定如何包含多尺度信息对组织学图像的分割性能产生影响，结果表明，视觉上下文和尺度在组织学图像分类问题中起着关键作用。

    Jun, 2018

  • 使用深度贝叶斯回归密度图进行不确定性感知细胞检测的概率空间分析在定量显微镜中

    本文提出了一种基于深度学习的细胞检测方法，通过使用贝叶斯方法来构建具有不确定性的密度图，并学习映射到概率空间的方法，实现了对大型显微镜图像的检测和精确定位。同时，还介绍了一种蒙特卡罗抽样的概率空间分析，可用于测试生物学假设的空间分布，并发现了原来无法检测到的空间模式。

    Feb, 2021

  • 使用点标注技术的细胞端到端识别

    本文介绍了一种基于点的细胞检测和分类框架，该框架采用了直接回归和分类方法，并采用金字塔式特征聚合策略同步处理底层特征和高层语义。实验结果表明，该方法在在免疫组织化学图像的分析中有着较高的准确性和效率，并具有较高的协助病理学家评估的潜力。

    Jul, 2022

  • ConvPath: 卷积神经网络辅助肺腺癌数字病理图像分析软件工具

    本研究基于卷积神经网络开发了自动细胞分类流程 ConvPath，可从肺癌病理图像中识别各种类型的细胞并提取与肿瘤微环境有关的特征，基于这些特征开发了图像特征驱动的预后模型，并在两个独立队列中进行了验证。

    Sep, 2018