数字病理中的可解释且位置感知学习
本文提出了一种通过将全切片图像 (WHIs) 表示为图来进行肿瘤诊断的方法,使用图卷积网络 (GCN) 捕获 WSI 中的上下文依赖关系,并使用自监督学习获取无标签数据的训练增强。这种方法利用节点表示 WSI 的 patch,是一种包含上下文信息的模型方案,相比于现有方法或基于多实例学习(MIL)的方案实现了性能的提升。
Jun, 2023
本文介绍了一种基于图神经网络和 DenseNet 的方法,使用颜色选择和生成的样本 patches 并保持图像信息的关联性,以对肺癌的亚型进行精确分类。模型在 The Cancer Genome Atlas 数据集上表现出了 88.8% 的准确率和 0.89 的 AUC。
Apr, 2020
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
我们提出了一种新颖的动态图表示算法,将组织病理学切片图像(WSIs)概念化为知识图结构的形式,通过动态构建邻居和带向边嵌入的头尾实例之间的关系,利用知识感知的注意机制更新头结点特征,然后通过全局池化过程获得图级嵌入,作为 WSI 分类的隐式表示。我们的端到端图表示学习方法在三个 TCGA 基准数据集和内部测试集上优于最先进的 WSI 分析方法。
Mar, 2024
应对医学影像中的对抗性挑战,我们提出了一种基于深度学习模型和图像处理的方法,通过利用整个切片图像的图像和图形级特征提取,加上去噪和汇聚层来提高癌症诊断准确性。在对比分析中,结果显示该方法显著提高了癌症诊断准确性,凸显了其在处理对抗性挑战中的鲁棒性和效率。
Mar, 2024
在医学领域,深度学习方法已得到广泛应用。而深度学习方法面临的下一个重要挑战是解释性,即如何解释模型的决策。本文针对整个切片图像分类的情境,提出了一种基于梯度法、特征可视化和多实例学习等方法的解释性方法,旨在解释如何基于瓦片级别的评分做出决策、如何决定这些瓦片得分以及用于任务的哪些功能是相关的。通过在 Camelyon-16 整个切片图像数据集上进行训练,突出区分性特征的学习,并通过病理学家的验证,我们提出了一种基于提取特征的新型计算解释性幻灯片级别热图的方法。此方法的实验结果显示,该方法可以提高 AUC 的瓦片级分类性能达 29% 以上
Sep, 2020
我们提出了一种新的基于异构图的框架,利用细胞核的不同类型之间的相互关系进行 WSI 分析。通过将 WSI 建模为一个具有 “核型” 属性和语义相似性属性的异构图,采用新的异构图边属性转换器 (HEAT) 和基于伪标签的语义一致汇聚机制来获得图层特征,并采用因果驱动的方法来解决现有关联定位方法的局限性。大量实验证明,在各种任务上,我们的框架相比于现有方法具有显著的优势。
Jul, 2023
通过引入整合图转换器框架,本研究在数字病理学中用于弱监督组织病理学全幻灯片图像分类的多实例学习策略可以同时捕捉上下文感知的关系特征和全局图像表示,实验证明该方法在 WSI 数据集上具有优越性能,准确率提高 1.0%-2.6%,在 AUROC 上提高 0.7%-1.6%。
Mar, 2024
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
GRASP 是数字病理学中用于处理全幅数字切片图像(WSIs)的一种新型多放大率图结构框架,通过动态模拟病理学家处理 WSIs 的行为、受益于 WSIs 的层次结构以及引入基于收敛的节点聚合机制,表现出优秀的性能,同时具备解释性和稳定性,并提供了相关的理论基础和实证证据,推动数字病理学中的可解释、基于结构的设计发展。
Feb, 2024