Sep, 2023

AGMDT：基于邻域引导的多领域迁移的肾组织学图像虚拟染色

PDF
TL;DR我们提出了一种新颖的虚拟染色框架 AGMDT，通过避免像素级对齐并同时利用多个相邻组织切片之间的相关性，将图像转化为其他领域。实验证明，该方法在精确的像素级对齐和无配对领域转化之间取得了良好的平衡，并在定量测量和形态细节方面优于现有方法。
renal pathologyspecial stainingsupervised learningunsupervised learningvirtual staining
发现论文，激发创造
  • HistoStarGAN: 肾脏组织病理学中染色归一化、染色转移和染色不变分割的统一方法

    本文介绍了 HistoStarGAN，它是一种用于多种染色方式的虚拟染色方法，可以进行染色归一化和染色不变分割，并证明其具有泛化能力和生成合成图像数据的能力。同时还展示了一种基于肾脏病理图像的人工数据集制作方式，以此展示了这种方法在生物成像领域的潜在应用与风险。

    Oct, 2022

  • 跨领域对比学习用于无配对的 H&E 到 IHC 染色转换

    通过提出混合域对比学习（MDCL）方法，在未配对的 H&E 到 IHC 染色转换中利用不同领域的病理信息聚合，提高相应补丁之间的病理一致性和生成的 IHC 图像不同位置的补丁的不一致性组件，取得了多个度量标准下的最先进性能。

    Jun, 2024

  • 基于注意力机制的变焦生成对抗网络在不均匀医学图像转换中的应用

    我们在这篇论文中提出了一种基于注意力的变焦生成对抗网络 (AV-GAN)，它解决了病理图像翻译任务中多个问题，如不同区域的翻译困难度不均、多分辨率信息的相互干扰和核变形。实验结果表明，我们提出的 AV-GAN 在两个虚拟肾组织染色任务中优于现有图像翻译方法，并分别使 H&E-MT 和 H&E-PAS 任务的 FID 值提高了 15.9 和 4.16。

    Apr, 2024

  • 领域适应学习：改进损失函数组合的组织学图像无监督适应

    这篇论文提出了一种针对 H&E 染色组织学图像的无监督领域自适应 (UDA) 的新方法，通过利用组织结构和细胞形态等组织学特征来提高领域适应性能。该方法在准确性、鲁棒性和泛化性方面经过了广泛评估，并且在 FHIST 数据集上的实验结果表明，我们提出的方法 (Domain Adaptive Learning，DAL) 明显超过了基于 ViT 和 CNN 的最先进方法分别有 1.41% 和 6.56% 的提升。

    Sep, 2023

  • 前缀对抗性领域自适应在前列腺组织学全切片图像分类中的应用

    该文提出采用无监督领域适应方法，利用对抗性训练在整张组织切片图像上实现领域间知识的转移，提高了前列腺癌 Gleason 分数的分类表现。

    Jun, 2018

  • 利用样式增强特征域混合的组织病理学图像分析以提高泛化能力

    本研究提出了一种基于特征域风格混合的技术，利用自适应实例归一化生成具有风格增强版本的图像。通过与现有的基于风格迁移的数据增强方法进行比较，发现该方法在计算和时间上要求较低的情况下表现相似或更好。研究结果展示了特征域统计混合在组织病理学图像分析学习模型的泛化中的潜力。

    Oct, 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

  • 基于 GAN 的虚拟染色：全切片图像分析的有希望解决方案

    本文提出了一种基于条件 CycleGAN 网络的方法，将 H＆E 染色图像转换为 IHC 染色图像，实现同一切片的虚拟 IHC 染色，并展示了该方法在图像转换方面的优越性。

    Jan, 2019

  • 学习基于子分区的异质感知领域自适应细胞核分割

    我们首次提出了开放式复合域适应（OCDA），明确考虑组织病理学领域内的异质性，并引入两阶段分离框架来获取图像和实例层面的领域不变特征表示，以解决核心问题。实验证明我们的方法在各种不同数据集的跨模态和跨染色情况下优于最先进的无监督域自适应和 OCDA 方法。

    Jan, 2024

  • 合成领域定向增强 (S-DOTA) 改善数字病理学模型泛化

    本文研究了两种合成模型和基线模型在数字病理学中对模型泛化能力的改进作用，并发现这些方法明显改善了模型在各种任务和设置中的泛化性能，是现实世界应用中应对领域偏移的一种有效方法。

    May, 2023