Mar, 2022

肾病理学中自动细粒度糸球体损伤识别

PDF
TL;DR本文提出了一种从全幅切片图像中识别细粒度肾小球病变的方案，通过一个聚焦实例结构相似性 loss 来驱动模型精确定位所有类型的肾小球，设计了一种不需要边界框注释的不确定性辅助配应网络来进行细粒度视觉分类，结果表明，相比较其他显著检测方法，在幻灯片评估中平均精度优化率为 8-22% 的提高，全面证明了该方法的有效性。
glomeruli lesionsdiagnosistreatment planningwhole slide imagesfine-grained visual classification
发现论文，激发创造
  • 基于 YOLO 的肾脏 H&E 和 PAS 图像中肾小球检测的研究

    该研究使用 YOLO-v4 模型在人类肾脏图像中实现了自动肾小球检测，并评估了不同染色条件下的性能，展示了现代人工智能模型在数字病理学图像分析中的潜力。

    Jul, 2023

  • 稠密实例分割在肾脏活检结构评估中的进展

    该研究提出了一种基于扩散模型、Transformer 模块和 RCNN 的无锚点实例分割模型，能有效识别肾脏活检中的肾小球、肾小管和动脉，成为新的最先进方法，达到了 51.7% 的检测准确率。

    Sep, 2023

  • 利用弱到强的一致性进行半监督肾小球分割

    基于弱到强一致性框架的半监督学习方法，在多个真实数据集上验证，对肾小球分割取得了卓越的性能，超过了现有的监督基准模型，如 U-Net 和 SegFormer。

    May, 2024

  • G2C: 一种生成器到分类器框架，整合多重染色的视觉提示用于病理性肾小球分类

    该论文提出了一种名为 G2C 的两阶段框架，该框架通过将来自指定染色的输入图像应用于多个生成器来整合多种染色的视觉线索进行肾小球分类，然后使用分类器将不同染色的视觉线索组合以预测其是否具有病理属性或者是什么类型的病理属性，并在自己收集的肾小球类型分类数据集以及一个公共数据集中进行了实验验证。

    Jun, 2018

  • PrPSeg：全景肾脏病理分割的通用命题学习

    介绍了一种名为全景肾脏病理分割 (PrPSeg) 的新型通用命题学习方法，通过整合广泛的肾脏解剖学知识，全面地分割肾脏内的全景结构，并提出了肾脏病理的综合通用命题矩阵设计、基于标记图像分割的动态头算法架构和衡量肾脏内物体间关系的解剖损失函数。

    Feb, 2024

  • 多尺度多站点肾脏微血管结构分割用于肾脏病理学全切片成像

    Omni-Seg 是一种新颖的单一动态网络方法，利用多站点、多尺度的训练数据，通过利用部分标记图像来分割肾脏微血管结构。实验结果表明，Omni-Seg 在 Dice 相似系数和交并比方面优于其他方法，为肾脏微血管结构的定量分析提供了强大的计算工具。

    Aug, 2023

  • 一种基于注意力机制和多分辨率的前列腺全扫描图像分类和定位模型

    本文提出了一种基于注意力机制的多实例学习模型，用于幻灯片级别癌症分级和弱监督区域兴趣检测，并在前列腺癌中进行了实验，其利用可视化显著性图来选择信息瓷砖，提高了细粒度等级分类的性能。

    May, 2019

  • 肾脏血栓性微血管病变（TMA）全区切片图像的诊断组织区块分割

    采用机器学习和计算机视觉方法，我们通过训练一个分割模型，成功地对肾脏穿刺活检中的决定性诊断性组织区块进行分割，为肾脏血管病的大规模区块特定机器学习和计算机视觉分析奠定了基础。

    Nov, 2023

  • 基于拼图游戏的细粒度自监督学习用于医学影像分类

    这篇研究论文介绍了一种用于医学图像中分类微细病变的细粒度自我监督学习（FG-SSL）方法，通过逐层分块逐渐学习模型，使细粒度拼图与规范原始图像的交叉相关性接近于单位矩阵，并应用于逐步细粒度学习以发现微小差异，该方法不依赖于非对称模型、负采样策略或批量大小，并在使用多种医学图像识别数据集的全面实验中表现出优越性能。

    Aug, 2023

  • 用于端到端小病变检测的重力网络

    本文介绍了一种新颖的一阶段端到端检测器，专门设计用于检测医学图像中的小病变。通过引入一种新类型的基于像素的锚点，该方法解决了小病变定位的挑战，并在数字乳房 X 线摄影和数字底片图像中进行了实验证明了该方法在有效检测这些医学图像任务中的小病变方面具有良好的结果。

    Sep, 2023