May, 2022

基于深度强化学习的全切片病理图片快速诊断框架

PDF
TL;DR提出了一种基于弱监督深度强化学习框架的深度神经网络方法，可以快速有效地进行数字病理学领域中含有丰富组织特征信息的高分辨率全幅病理图像分析，而不需要基于像素级别的像素注释数据集。
deep neural networkhistopathological image analysisdigital pathologyweakly supervised deep reinforcement learning frameworkwhole slide image analysis
发现论文，激发创造
  • 基于自对比的半监督学习框架用于预后预测的全切片图像

    应用深度学习技术分析组织病理图片对于自动预后预测的重要性进行了创新性研究，提出了一个新颖的三部分框架，包括基于卷积网络的组织分割算法、对比学习模块和嵌套多示例学习分类模块。在人工生成的数据和简单的诊断任务上进行了初步验证，并在膀胱癌的预后预测任务中取得了显著的成果，模型的 AUC 分别达到 0.721 和 0.678。

    May, 2024

  • 计算组织病理学的深度神经网络模型：一项调查

    本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从 130 多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。

    Dec, 2019

  • 基于深度学习的全切片图像分割与分析通用框架

    本文章基于深度学习方法提出了一种可用于组织病理学图像分析的框架，并在癌症诊断、预后和图像分析等方面取得了良好的效果。

    Jan, 2020

  • 基于先进深度学习的弱监督、半监督和自监督技术在组织病理学图像分析中的标签高效自动诊断和分析：全面调查

    该研究综述了计算病理学领域中基于弱监督学习、半监督学习和自监督学习方法的最新研究，重点讨论了这些技术所面临的关键挑战和未来的发展趋势。

    Aug, 2022

  • Slideflow: 实时全切片可视化的数字病理学深度学习

    Slideflow 是一种灵活的深度学习库，支持数字病理学的广泛深度学习方法，并包括快速的整个幻灯片接口来部署已训练好的模型，同时也具有高度优化的整个幻灯片图像处理等特点。

    Apr, 2023

  • 基于深度学习的全扫描组织病理学图像压缩分类技术

    本文提出了一种基于自编码器的神经网络架构，用于压缩组织病理学图像，同时保留原始图像的更密集和更有意义的表征。我们提出了一种简单而新颖的方法来监督压缩神经网络，试验表明，我们的方法可以在保持良好压缩率的同时实现更高的图像分类性能。

    May, 2023

  • 仅使用全局标签的组织病理分类和疾病定位：一种弱监督方法

    提出了一种在弱监督学习下用于疾病定位的方法，使用预训练的深度卷积网络、特征嵌入、以及基于多实例学习的顶部实例和负面证据学习等技术，即使在没有像素级别注释的情况下，仅通过图像级标签进行训练也能够展现出与强监督学习相当的性能。

    Feb, 2018

  • 深度视网膜图像诊断中的病理学证据探索

    本研究提出一种基于深度学习的医学诊断方法，使用病理描述符从神经元中提取特征，通过生成对抗网络合成具有糖尿病性视网膜病变特征的病理性视网膜图像，并经过专业医生验证证明其优于现有方法。

    Dec, 2018

  • 全切片图像分析的深度学习：概述

    本文综述了使用整张切片图像训练深度神经网络的方法，并强调了这些方法背后不同的思想，以期解决整张切片图像所面临的挑战。

    Oct, 2019

  • 超越多实例学习：全分辨率全内存端到端病理切片建模

    人工智能（AI）在大规模数字化临床数据集上训练系统以提高健康结果方面具有巨大潜力。计算病理学作为对诊断和生物标志物具有重大影响的大量显微镜图像数据，处于这一发展的前沿。百亿像素病理学切片由于其巨大的尺寸而面临独特挑战，通常被分成数万个较小的瓷砖进行分析。我们提出了一种新方法，通过在内存中全面高分辨率地同时训练瓷砖编码器和整个切片聚合器来解决这个问题，弥合了输入和切片级监督之间的差距。虽然计算成本更高，但详细的定量验证显示了病理基础模型的大规模预训练的前景。

    Mar, 2024