May, 2023

分子驱动学习使普通注释员实现病理图像分割民主化

PDF
TL;DR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。
cell segmentationai modellay annotatorsmolecular-informed annotationpathological segmentation
发现论文，激发创造
  • 利用弱标注通过零样本分段任何模型实现基于分子的学习

    该研究使用分段任意模型（SAM）在零样本学习方法中利用弱边框注释，表明 SAM 辅助的分子强化学习（SAM-L）可以减少普通注释者的标注工作量，同时不影响注释准确性和深度学习分割性能，从而对训练病理图像分割的标注过程进行了明显改进。

    Aug, 2023

  • 组织学肿瘤弱监督多实例学习分割

    本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在 The Cancer Genome Atlas 和 PatchCamelyon 数据集上进行了评估，显示出一定的潜力.

    Apr, 2020

  • 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

  • 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

  • 基于弱监督学习的病理切片整体分类

    该研究提出了一种基于病理先验的多实例学习框架，通过数据增强方法和空间相关性分析，能够有效地用于癌症检测和亚型区分的医学图像分类任务。

    Jul, 2023

  • 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

  • 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

  • 全切片影像上数据有效和弱监督计算病理学

    CLAM 是一种易于使用、高吞吐量和可解释的基于深度学习的弱监督学习方法，它可以在只需要幻灯片级别标签的情况下处理大规模组织切片图像，并且可以用于多种不同的计算病理学任务。

    Apr, 2020

  • 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

  • 利用多个实例学习在整个切片图像中找到感兴趣区域

    通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

    Apr, 2024