Sep, 2023

基于自我蒸馏的全尺寸图像的更好特征 (BROW)

PDF
TL;DR基于 BROW 模型，我们提出了一种用于提取 WSI 特征表示的基础模型，通过使用自蒸馏框架预训练的转换器结构，改进模型的鲁棒性，并利用 WSI 的多尺度金字塔来增强其性能，我们在各种器官和组织的 WSI 上进行实验，证实了该模型的有效性、鲁棒性和良好的泛化能力，从而突出了其在 WSI 处理中的潜力和应用前景。
whole slide image (wsi) processingfeature representationstransformer architecturepatch shufflingwsi feature extraction
发现论文，激发创造
  • 克服基于 Patch 学习的限制，用于识别全扫描切片图像中的癌症

    本文讨论如何将深度学习用于对大型 WSI 图像进行癌症检测， 比较分析基于图像块或幻灯片的分类与需要在整个幻灯片上准确定位或分割癌症的方法之间的差异，并提出一种负数据采样策略，可显着降低假阳性率，并在肿瘤范围的错误率上取得 15% 的减少。

    Dec, 2020

  • 分类整张切片图像：什么是重要的？

    通过系统地研究 WSIs 分类算法的不同设计选择，我们发现全局上下文信息并非越多越好，而是以局部小区域的细节信息为主要特征，此外，相较于在更大的数据集上进行无监督预训练，我们发现在更小、更专注的数据集上进行预训练可以更好地区分输入补丁的微妙差异。

    Oct, 2023

  • 自我监督学习全尺寸切片表示的框架

    自我监督整个切片学习（S3L）框架可以通过利用整个切片的固有区域异质性、组织学特征变异性和信息冗余性来学习高质量的整个切片表示，用于癌症诊断和基因突变预测等诊断任务，并且在两种生物医学显微镜条件下显著优于基线模型。

    Feb, 2024

  • 利用组织病理学特征提取器进行全片幅图像生存分析

    利用全幅图像中的丰富信息，基于多实例学习的特征聚合技术可以利用预训练的 ResNet 主干提高准确率，为数字病理学中更强大的预后工具铺平了道路。

    May, 2024

  • 数字病理学中的鲁棒图表学习

    本文提出了一种新颖的鲁棒学习方法来解决整张切片图像（WSIs）中的扰动问题，并通过引入图卷积网络（GCN）从图中提取特征，包括去噪和分类层，以改善前列腺癌的诊断准确率。实验结果表明，与非鲁棒算法相比，该模型在癌症诊断方面取得了显著的改善。

    Oct, 2023

  • 全幻灯片图像分类中的位置感知多实例学习的 RoFormer

    整个切片图像（WSI）分类是计算病理学中的一个关键任务，目前深度学习在处理这种大小为千兆像素的图像方面仍存在重大挑战。我们提出了一种称为 RoFormer 层的简单编码模块，采用了内存高效的准确自注意力和相对位置编码，在大型和任意形状的 WSI 切块上进行全自注意力，解决了实例间相关性和组织的空间建模问题。我们的方法在弱监督分类任务上比最先进的 MIL 模型在三个常用的公共数据集（TCGA-NSCLC，BRACS 和 Camelyon16）上表现出色。

    Oct, 2023

  • 对抗鲁棒的基于图的 WSI 学习

    应对医学影像中的对抗性挑战，我们提出了一种基于深度学习模型和图像处理的方法，通过利用整个切片图像的图像和图形级特征提取，加上去噪和汇聚层来提高癌症诊断准确性。在对比分析中，结果显示该方法显著提高了癌症诊断准确性，凸显了其在处理对抗性挑战中的鲁棒性和效率。

    Mar, 2024

  • 用于多标记全切片组织病理学图像的补丁变换器

    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

  • 无监督互相转换器学习用于多千兆像素全切片图像分类

    提出一种基于相互 Transformer 学习的全无监督 WSI 分类算法，并在公开数据集上进行了广泛实验，证明了该方法在 WSI 分类和癌症亚型分类方面的优越性能。

    May, 2023

  • 利用图神经网络进行组织病理学图像的表示学习

    本文介绍了一种基于图神经网络和 DenseNet 的方法，使用颜色选择和生成的样本 patches 并保持图像信息的关联性，以对肺癌的亚型进行精确分类。模型在 The Cancer Genome Atlas 数据集上表现出了 88.8% 的准确率和 0.89 的 AUC。

    Apr, 2020