Jul, 2023

重新思考有丝分裂检测：朝着多元化的数据和特征表示

PDF
TL;DR本文提出了一种新的可泛化框架 MitDet，其中考虑了数据和特征多样性的平衡，并使用样本平衡和特征多样性模块以及染色增强模块来实现更好的可泛化性能，进而在多个流行的有限注释数据集中实现了优越的性能。
mitosis detectioncomputational pathologydata diversityfeature diversitygeneralizability
发现论文，激发创造
  • 使用融合检测器和深度集成分类模型对抗领域漂移的有丝分裂检测，以参与 MIDOG 挑战

    本文提出了一种两阶段有深度集成分类模型的有机物卷积神经网络（CNN）检测框架，以便于减轻图像色彩变化对细胞检测的影响，并使用标准化和数据增广来辅助模型训练，旨在自动定位有丝分裂的细胞。该模型在 MIDOG 挑战初步测试集中获得了 0.7550 的 F1 得分。

    Aug, 2021

  • 利用大型视觉语言模型改进组织病理学图像上的有丝分裂检测

    癌症组织中，有丝分裂计数与肿瘤增殖、预后不良和药物抵抗有关。我们采用卷积神经网络（CNN）来降低病理学家之间有丝分裂计数的主观性，并结合视觉特征和自然语言，将有丝分裂检测任务转化为图像描述任务和视觉问答任务，以提高检测准确性。通过与基线模型在 9,501 个有丝分裂图像和 11,051 个难以表征的负例图像（非有丝分裂图像）上的比较，证明了我们方法的有效性。

    Oct, 2023

  • 跨肿瘤类型、实验室和物种的域泛化 —— 来自 2022 年有丝分裂域泛化挑战的见解

    对于肿瘤切片中有丝分裂图像的识别对患者预后评估非常重要。本研究总结了 2022 年关于肿瘤切片图像有丝分裂领域泛化的挑战任务，参与者的算法策略以及潜在影响因素，并表示在今天的基于深度学习的识别流程中可以实现对不同肿瘤领域的域泛化。与免疫组织化学辅助参考标准相比，所有方法都导致了召回率减小，但在排名中只有轻微变化。

    Sep, 2023

  • 组织病理学图像中的有丝分裂领域通用性问题 -- MIDOG 挑战

    本文评估和比较不同算法的性能表现，针对临床用途中的整张切片扫描仪领域差异问题，提出和评估了一种扫描器不可知的有助于病理学家判读分级的异常分裂细胞检测算法。

    Apr, 2022

  • 基于混合锚点支路的新型数据集和两阶段有丝分裂细胞核检测方法

    本论文使用 FoCasNet 实现了一种基于注意力机制、标准化方法和混合锚定分支的级联神经网络，旨在提高 宫颈癌病理中有关癌细胞核分裂数检测的效率和准确性，并在公共数据集 ICPR 2012 上取得了当前最高的 F1-Score (0.888)。

    Jan, 2023

  • 使用条件扩散概率模型表征有丝分裂图像特征

    利用概率扩散模型，根据有关有丝分裂的标签条件合成细胞核斑块，进而生成一系列模拟图像，用于识别与有丝分裂相关的不同图像特征，如细胞质颗粒度、核密度、核不规则性以及核与细胞体之间的高对比度，提供病理学家解释和传达识别有丝分裂特点的新工具。

    Oct, 2023

  • 乳腺癌组织病理学图像中有丝分裂检测算法的评估

    本研究介绍了自动图像分析在乳腺肿瘤组织分析中的应用，通过分析 AMIDA13 数据集和 11 种不同的算法，提出了一种性能可与病理学家间交互的标准相媲美的图像分析算法。

    Nov, 2014

  • 通过帧顺序翻转的数据集生成，实现来自部分注释的有丝分裂检测

    本文提出一种基于深度学习的有限标注序列的有丝分裂检测方法，通过生成完全标记数据集并训练模型，实现了优于其他部分标记序列的性能。

    Jul, 2023

  • 领域对抗神经网络解决组织病理学图像外观差异问题

    通过对颜色进行增强和基于领域对抗训练的方法，可以改善深度学习方法的泛化能力，从而提高乳腺癌组织学图像中有丝分裂的检测效果。

    Jul, 2017

  • Pathomic Fusion：融合组织学和基因组特征的癌症诊断和预后一体化框架

    本文提出了一种解释性的、端到端的多模态融合策略 —— Pathomic Fusion，它基于组织学图像和基因组学（突变、CNV、RNA-Seq）特征，模型化跨模式的特征交互，并通过基于门控的注意机制控制每个表示的表现力，以提高生存结果预测的准确性，从而有助于其他医学问题的解决。

    Dec, 2019