Jul, 2023

HistoColAi：基于人工智能驱动预测整合的数字组织学图像协同注释开源 Web 平台

PDF
TL;DR本文提出了一种网络服务来可视化和注释数字化组织学图像，并通过一个以多个注释器为中心的用例来展示和验证该工具，同时提出了一个可用性研究，证明了该工具的可行性。
发现论文，激发创造
  • 利用人工智能搜索归档的组织病理学图像进行全癌种诊断共识

    本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中，通过搜索最大的公共存储库之一，本文显示出当足够的可搜索案例数量可用于每种癌症亚型时，计算机一致性似乎可以用于诊断。

    Nov, 2019

  • 数字与计算病理学的人工智能

    数字化组织切片和人工智能，特别是深度学习的快速进展，推动了计算病理学领域的发展。这篇综述总结了计算病理学领域近期的方法学进展，重点介绍了这些发展如何使临床实践自动化，并可发现新的生物标志物。作者还提供了未来展望，指出该领域将扩展到更广泛的临床和研究任务，并涉及越来越多样化的临床数据模态。

    Dec, 2023

  • Virchow：百万切片数字病理基础模型

    使用自监督学习方法，创建了 Virchow 计算病理学的 632 百万参数深度神经网络基础模型，以解决病理学任务中缺乏数据的挑战，并在病理图像分类、癌症检测和亚型、生物标志物预测等多个任务中表现出色，显示了预训练在病理学图像数据集上的重要性和潜力。

    Sep, 2023

  • 朝着增强病理学家：数字病理学中可解释 AI 的挑战

    数字病理学结合人工智能和机器学习可实现癌症诊断、预后和预测的提高，但需要综合运用人工智能和人类专家的智慧。

    Dec, 2017

  • 组织病理学图像分析的机器学习方法

    本文介绍了使用机器学习算法分析数字病理学图像的应用，解决数字病理学图像及相关任务中存在的问题，并提出了可能的解决方案。

    Sep, 2017

  • 基于深度学习的全切片图像分割与分析通用框架

    本文章基于深度学习方法提出了一种可用于组织病理学图像分析的框架，并在癌症诊断、预后和图像分析等方面取得了良好的效果。

    Jan, 2020

  • Slideflow: 实时全切片可视化的数字病理学深度学习

    Slideflow 是一种灵活的深度学习库，支持数字病理学的广泛深度学习方法，并包括快速的整个幻灯片接口来部署已训练好的模型，同时也具有高度优化的整个幻灯片图像处理等特点。

    Apr, 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

  • 关于组织病理学图像搜索

    通过相似性计算，利用病理组织学的病理图像可以在研究和临床环境中进行病人之间的匹配，最近的搜索技术进展为细胞结构的定量化提供了可能，可实现不同组织类型的比较，从而对诊断、预后和新患者的预测提供推论，本文综述了用于计算病理学研究中高效、快速和有效的图像搜索方法的最新发展。

    Jan, 2024

  • TIAViz：计算病理学模型的基于浏览器的可视化工具

    数字病理学在现代医疗系统中得到了显著的推广，通过光学显微镜向数字图像的转变带来了改进诊断、提高效率以及将人工智能工具整合到病理学家工作流程中的潜力。我们介绍了 TIAViz，这是一个内置于 TIAToolbox 的基于 Python 的可视化工具，可以对整个切片图像进行灵活、互动、完全可缩放的叠加显示，包括图表、热力图、分割、注释和其他 WSI 图像，其用户界面基于浏览器，可以在本地、远程机器上或服务器上使用，提供公开可用的演示。该工具是开源的，可以通过以下网址获取：this https URL ，或通过 pip（pip install tiatoolbox）和 conda 安装（作为 TIAToolbox 的一部分）。

    Feb, 2024