PatchSorter: 一种高通量的深度学习数字病理学工具用于目标标记
该论文提出了一种处理医学影像的框架,使用多实例学习多个小图像块的神经网络得出最终诊断,以解决机器学习中小 n,大 p 问题和像素级注释的限制。
Dec, 2017
本研究提出了三个关键技术贡献,分别为:一种快速的片段选择方法(FPS)用于全切片图像分析,显著降低计算成本同时保持准确性;一种轻量级组织病理特征提取器 PathDino,仅包含五个 Transformer 块和 900 万参数,较其他方法大大减少;一种使用自监督学习的旋转不变表示学习范式,有效减轻过拟合。并且通过在 12 个不同数据集上的评估,证明我们的紧凑模型优于现有的最先进组织病理专用视觉转换器,还验证了其在数字病理学中增强图像分析的鲁棒性。
Nov, 2023
提出了一种利用 Patch Transformer 来进行多标签预测的深度神经网络模型,可以从组织病理学切片图像中有效地预测多个幻灯片级标签,并通过大量实验证明了该模型的有效性。
Jun, 2019
利用 DenseNet-161 和 ResNet-50 预训练 CNN 模型,通过迁移学习的方法对数字组织病理学补丁进行分类,实验结果表明,这种方法可以自动检测和分类疾病,并在分类效果方面表现出色。
Mar, 2019
本文介绍了一个新的数据集 “Kimia Path24”,该数据集可用于数字病理学中的图像分类和检索,并通过使用 24 种不同的组织纹理的全扫描图像生成了 1,325 个大小为 1000x1000 的测试补丁。通过 LBP,字典方法和卷积神经网络等方法进行了基准测试,结果表明卷积神经网络获得了最高的准确性,41.8%。
May, 2017
该研究使用大规模的有标签数据集训练深度学习模型结合 “多示例学习”,以在针生物镜下进行前列腺癌诊断,并获得了很高的 AUC,为计算病理学领域的决策支持系统部署提供了基础。
May, 2018
数字病理学和人工智能模型的整合已经改变了组织病理学,为全面扫描图像(WSIs)的处理和分析提供了新机遇。本文提出了一种无监督补丁算法 SPLICE,通过顺序分析 WSIs 并选择非冗余特征,将 WSIs 压缩为紧凑的代表性补丁集,从而提高了搜索和匹配应用的准确性,减少了计算时间和存储需求。SPLICE 作为一种无监督方法,可以将组织图像的存储需求降低 50%,从而使计算病理学的许多算法能够更高效地运行,为数字病理学的快速应用铺平了道路。
Apr, 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
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。
Jul, 2023