May, 2023

肾脏病理图像多标签分割的加速流程 - 全切片图像级别

PDF
TL;DR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。
发现论文，激发创造
  • 利用语义分割的多阶段病理图像分类

    本论文提出了一种新的模型结构，将基于补丁的分类模型和整个切片比例的分割模型相结合，以提高自动病理诊断的预测性能，并通过优化方法，使模型部分地进行端到端学习，应用于 WSI 的肿瘤 / 正常预测，与传统基于补丁的方法相比，分类的性能得到了提高。

    Oct, 2019

  • 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

  • 一种端到端的 3D 切片多染色肾病理注册管道

    本文介绍了一种利用 Map3D 算法进行 3D 医学图像配准的方法，将多种染色制片自动对准，实现数字病理学的自动化处理。

    May, 2023

  • 数字病理学中无旋转偏见的图像表示学习

    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

  • 用于多标记全切片组织病理学图像的补丁变换器

    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

  • HoloHisto: 将 4K 分辨率的全息镜 WSI 分割与顺序记号化的一体化

    数字病理学领域的研究使用了全新的全景组织学（HoloHisto）分割方法，通过全景图像分割实现对吉千像素图像的端到端分割，大规模地提高了分辨率和模型性能，创造了新的肾脏病理图像分割数据集，分析结果表明该方法在性能上明显优于现有的先进模型。

    Jul, 2024

  • 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

  • 分子驱动学习使普通注释员实现病理图像分割民主化

    本研究提出了使用临床外行人士标注部分标签的分子化学学习方案，通过分子 - 形态学的跨模态配准，基于分子的标注和分子导向的分割模型，将病理学 AI 模型转向外行人士级别，从而实现了细胞分割的多类分割，并且整合了深度校正学习方法来进一步提高分割性能。

    May, 2023

  • 组织病理学中基于现实数据丰富的强健图像分割

    通过扩充临床数据集中的少数样本，提高机器学习模型稳定性的一种新方法 —— 基于扩散模型的图像生成方法，可以生成与真实图像难以区分的组织病理学图像。

    Apr, 2023

  • PanNuke 数据集扩展、见解和基线

    本研究旨在探讨如何利用深度学习算法对组织切片图像的细胞核进行分割和分类，并针对目前深度学习算法在实际医疗应用方面面临的挑战提出建议和研究方向。

    Mar, 2020