一种端到端的 3D 切片多染色肾病理注册管道
本文提出了 Omni-Seg pipeline 的增强版,采用深度学习技术,利用 GPU 加速,针对整个滑动图像(WSIs),实现了多类多尺度病理分割,将平均处理时间从 2.3 小时大幅缩短至 22 分钟。
May, 2023
本文以基于核定位的点集注册方法为基础,针对多染色 WSIs 进行局部非刚性注册,以实现核级别的分组分析和蛋白质标记的上下文分析,通过对 HYRECO 数据集进行评估并与其他已建立的注册算法进行比较,表明该方法在核级别的注册上具有优越性。
Apr, 2024
我们提出了一个两步骤混合方法,包括深度学习和特征提取的初始对齐算法以及基于强度的非刚性配准。该方法不需要对特定数据集进行微调,可直接用于任何所需的组织类型和染色剂。该方法在 ACROBAT 数据集上获得了最准确的结果,在 HyReCo 数据集上实现了细胞级重染的配准精度,同时在 ANHIR 数据集上也表现出色。该方法不需要对新数据集进行微调,并可直接用于其他类型的显微镜图像。该方法已集成到 DeeperHistReg 框架中,可供其他人直接使用,以在任何所需的金字塔级别上对 WSIs 进行配准、变换和保存。该方法对 WSI 的配准是一个重要的贡献,推动了数字病理学领域的发展。
Apr, 2024
通过多模态多任务多实例学习的 PathM3 框架,有效地将组织切片图像与诊断说明对齐,从而在组织病理学图像分类和生成诊断说明任务上提高了分类准确性和生成效果。
Mar, 2024
DeeperHistReg 是一个软件框架,专门用于注册使用多个染料获取的全幅切片图像 (WSIs),它允许进行预处理、初始对齐和非刚性注册,支持多种先进的注册算法,并提供操作任意分辨率的 WSIs 界面,可扩展性强,还可通过其他研究人员轻松集成新的算法。该框架同时提供 PyPI 包和 Docker 容器。
Apr, 2024
该研究论文介绍了一种实用的基于深度学习的固体肿瘤相关建模工作流程(STAMP),使得可以直接从组织病理学图像中预测生物标志物。它包括问题定义、数据预处理、建模、评估和临床转化五个主要阶段,并且注重作为一个合作框架,为临床医生和工程师在计算病理学领域开展研究项目提供支持。
Dec, 2023
提出了一种利用 Patch Transformer 来进行多标签预测的深度神经网络模型,可以从组织病理学切片图像中有效地预测多个幻灯片级标签,并通过大量实验证明了该模型的有效性。
Jun, 2019
本研究旨在研究利用深度学习进行组织的全切片成像技术,主要包括对于 WSI 注册的算法研究,本研究增加了协变量考虑,得到高的准确性,同时结果也有望指导研究人员在选择和开发算法方面有所帮助。
May, 2023
本研究提出了三个关键技术贡献,分别为:一种快速的片段选择方法(FPS)用于全切片图像分析,显著降低计算成本同时保持准确性;一种轻量级组织病理特征提取器 PathDino,仅包含五个 Transformer 块和 900 万参数,较其他方法大大减少;一种使用自监督学习的旋转不变表示学习范式,有效减轻过拟合。并且通过在 12 个不同数据集上的评估,证明我们的紧凑模型优于现有的最先进组织病理专用视觉转换器,还验证了其在数字病理学中增强图像分析的鲁棒性。
Nov, 2023