Jul, 2023

弱监督人工智能在三维病理样本分析中的高效应用

PDF
TL;DR人体组织和其组成的细胞形成的微环境本质上是三维的。我们提出了用于处理来自多种成像模态的 3D 组织图像并预测患者结果的基于深度学习的平台 MAMBA。MAMBA 通过 3D 基于块的方法，在预测方面表现出比传统的基于单层切片的预测方法更好的性能，暗示着使用 3D 形态特征进行更准确的预测。MAMBA 为临床决策支持提供了一种通用有效的 3D 弱监督学习框架，可以帮助揭示新的 3D 形态生物标志物以进行预后和治疗反应的研究。
发现论文，激发创造
  • 通过 2.5D 多示例学习对 3D 病理数据进行分级以指导病理学家评估

    CARP3D 通过对大容量的 3D 病理学数据集进行准确的分类，有潜力改善病理学家的诊断结果。

    Jun, 2024

  • 突破癌症视界：使用深度学习进行多机构验证的乳腺 MRI 对象定位和 3D 语义分割

    通过利用组织间的相互作用，我们提出了一种方法，通过标准护理的动态增强磁共振成像，准确地分割乳房中的所有主要组织类型，包括：胸壁、皮肤、脂肪组织、纤维腺组织、血管和肿瘤；我们的方法在肿瘤分割上取得了卓越的 Dice 指数，同时在其他研究的组织上保持了竞争性能；通过集成多个相关的肿瘤周围组织，我们的工作可以在乳腺癌分期、预后和手术规划等临床应用中发挥作用。

    Nov, 2023

  • 病理学中的 TB 级深度多实例学习用于分类和定位

    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

  • Vision Mamba: 利用 3D MRI 扫描对阿尔茨海默病进行先进的分类

    使用 Vision Mamba 模型基于 State Space Models（SSMs）对 3D MRI 图像进行分类以检测阿尔茨海默病，该模型通过动态状态表示和选择性扫描算法，有效地捕获和保留 3D 体积中的重要空间信息，结合卷积运算的并行化特性和状态的高效循环处理，在计算效率和处理长距离依赖性方面表现优于传统的 CNN 和 Transformer 模型。

    Jun, 2024

  • M3D-NCA：内置质量控制的鲁棒三维分割

    提出了一种名为 M3D-NCA 的新方法，利用神经细胞自动机（NCA）分割 3D 医学图像，并开发了一种新的质量度量方法来自动检测 NCA 分割过程中的错误。M3D-NCA 在海马体和前列腺分割方面比两个更大的 UNet 模型表现优异，其 Dice 系数提高了 2%，并且可以在资源受限环境下的 Raspberry Pi 4 Model B（2GB RAM）上运行，展示了 M3D-NCA 作为医学图像分割的有效和高效替代方法的潜力。

    Sep, 2023

  • 一个神经网络进行全局的医学三维图像分割系统：一种通用的轻量级准确分割系统

    研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

    Nov, 2019

  • 组织病理图像的再识别

    相对简单的深度学习算法可以以相当高的准确率重新识别出大量组织病理学数据集中的患者，为此我们提出了一个风险评估方案以在出版之前评估患者的隐私风险。

    Mar, 2024

  • 大脑肿瘤分割的组合表示学习

    通过使用无监督学习和弱监督学习，以及非穷尽的像素级病理标签，我们在大量弱标记数据和少量完全标记数据的情况下，成功地实现了良好的脑肿瘤分割性能。

    Oct, 2023

  • 用于鉴定转移性乳腺癌的深度学习

    使用深度学习技术，结合人工病理学家的诊断结果，实现对淋巴结活检全滑片图像中转移性乳腺癌的自动检测，能够在提高病理诊断准确性方面发挥重要作用。

    Jun, 2016

  • 一种新的集成学习框架用于三维生物医学图像分割

    提出了一种新的集成学习框架，其结合了 2D 和 3D 模型的优点，通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果，实现了在完全监督、半监督和转导设置下，相对于最先进的图像分割方法，取得了优越的性能。

    Dec, 2018