Jun, 2023

仅使用切片级别标签的临床启发式细胞学全幅图像筛查

PDF
TL;DR本文提出了一种新颖的自动标签高效 WSI 筛查方法（简称 LESS），用于只具有载玻片级别标签的细胞学诊断，该方法采用 VPU 学习提高 WSI 级别标签的补丁级特征学习的效率，并使用跨注意视觉变换器（CrossViT）融合多尺度补丁级数据并执行 WSI 级分类，实现了自动细胞学膀胱癌筛查。
cytology testthinprepautomated label-efficient wsi screeningcrossvitbladder cancer screening
发现论文，激发创造
  • 克服基于 Patch 学习的限制，用于识别全扫描切片图像中的癌症

    本文讨论如何将深度学习用于对大型 WSI 图像进行癌症检测， 比较分析基于图像块或幻灯片的分类与需要在整个幻灯片上准确定位或分割癌症的方法之间的差异，并提出一种负数据采样策略，可显着降低假阳性率，并在肿瘤范围的错误率上取得 15% 的减少。

    Dec, 2020

  • 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

  • 无监督互相转换器学习用于多千兆像素全切片图像分类

    提出一种基于相互 Transformer 学习的全无监督 WSI 分类算法，并在公开数据集上进行了广泛实验，证明了该方法在 WSI 分类和癌症亚型分类方面的优越性能。

    May, 2023

  • 乳腺癌弱标签全切片图像的 PD-L1 分类

    本研究旨在基于 WSI 分析开发和比较能够根据 WSI 级别标签对乳腺癌样本的 PD-L1 阳性分类的模型，该任务包括 ROI 识别和将肿瘤分类为 PD-L1 阳性或阴性两个阶段，研究探讨了不同的特征提取方法和两个不同的训练配置，并测试了自动去除棕色伪迹的性能表现。

    Apr, 2024

  • 数字病理学中的鲁棒图表学习

    本文提出了一种新颖的鲁棒学习方法来解决整张切片图像（WSIs）中的扰动问题，并通过引入图卷积网络（GCN）从图中提取特征，包括去噪和分类层，以改善前列腺癌的诊断准确率。实验结果表明，与非鲁棒算法相比，该模型在癌症诊断方面取得了显著的改善。

    Oct, 2023

  • 基于半随机贴片采样的肺癌 WSI 中 TILs 的快速估计

    我们的研究引入了一个自动化流程，该流程利用半随机补丁采样、补丁分类和 HoVer-Net 模型对肺癌患者中浸润肿瘤淋巴细胞（TILs）进行评估，从而实现对非小细胞肺癌（NSCLC）患者进行预后评估的过程的优化。该流程通过排除约 70％与预后不相关的区域，并使用仅剩下的 5％的补丁维持预后准确性（c 索引为 0.65+-0.01），在不降低预后准确性的情况下实现了计算效率，在患者存活方面与传统的 CD8 IHC 评分方法相比，该流程在 TILs 得分方面具有较强的相关性。然而，仍然需要全面的临床验证，未来的研究应着重验证其更广泛的临床实用性，并探索其他生物标志物以改善非小细胞肺癌的预后评估。

    May, 2024

  • SOS：用于快速免疫荧光全切片图像分类的选择性客观开关

    本研究提出了选择性高分辨率处理的方法（SOS），通过对下采样的 WSI 预测置信度的计算，选择性的使用高分辨率处理和保证补丁级别分析的准确度，同时将推断时间减少了 7.74 倍。

    Mar, 2020

  • 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

  • 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

  • 使用光子吸收遥感显微术进行无标记组织学的自动全层扫描成像

    利用第一代透射式光子吸收遥感显微镜的标签自由组织学平台，以及 pix2pix 实验，全面提高了组织学诊断的效率和疾病诊断的准确性，同时允许光学方法（标签自由的）与传统染色工艺进行对比，应用广泛。

    Apr, 2023