Nov, 2023

染色一致性学习：处理数字病理学分割中的染色变异

PDF
TL;DR数字病理学中的染色变异是自动化分析的一个独特挑战，本研究提出了一种新的框架，利用染色的特定增强和染色一致性损失函数来学习染色色彩不变的特征，在细胞和细胞核数据集上，与其他方法相比，该方法表现最佳。
stain variationautomated analysisdigital pathologymachine learning methodsstain consistency learning
发现论文，激发创造
  • 深度学习在计算病理学中数据增强和染色归一化效果的量化分析

    本文研究组比较了针对组织切片染色变异的两种技术：染色色彩扩增和染色色彩规范化，并在异质性数据集上量化了它们对卷积神经网络分类性能的影响，并提出了一种使用神经网络进行无监督染色色彩规范化的新方法。

    Feb, 2019

  • 利用深度卷积特征的组织学染色上下文归一化

    本研究提供了一种用于标准化组织学染色的完全自动化、端到端基于学习的设置，该设置考虑了组织的纹理上下文，并通过结合来自长短时记忆单元的门控元素的批量归一化框架来扩展特征感知归一化。为了实现优秀的标准化结果并确保颜色和纹理的一致表示，作者将预训练的深度神经网络作为特征提取器来引导像素处理管道，并使用颜色直方图偏差、结构相似性和颜色体积等指标对不同方法进行评估。

    Aug, 2017

  • 组织学切片的多目标染色归一化

    传统的染色标准化方法通常依赖于选择单个代表性参考图像，而这可能不能充分考虑在实际情况下收集的数据集的各种染色模式。本研究引入了一种新颖的方法，利用多个参考图像增强对染色变异的鲁棒性。我们的方法无需参数，并可以在现有的计算病理学流程中采用而无需重大更改。我们通过在结肠癌图像上使用深度学习流程进行自动核分割的实验来评估我们方法的有效性。结果表明，通过利用多个参考图像，可以在广义到外部数据时获得更好的结果，而这些数据的染色与训练集有很大的差异。

    Jun, 2024

  • 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

  • RandStainNA: 利用染色增强和标准化实现组织学切片无关染色特征学习

    通过 RandStainNA 方案，将 stain normalization (SN) 和 stain augmentation (SA) 相结合，以训练无差别染色的深度学习模型，从而提高数字组织病理学分析中的泛化能力。

    Jun, 2022

  • StainGAN：数字组织学图像染色风格转移

    利用深度学习方法的 CycleGANs，不需要专家选择代表性的参考标本，解决了数字化组织学诊断中由于多种因素引起的染色剂颜色变化引起的难题，并在乳腺癌肿瘤分类等临床应用中得到了验证。

    Apr, 2018

  • 组织病理学中的染色归一化的生成对抗网络

    数字病理学的快速发展为发展基于人工智能的工具改善临床诊断的准确性和效率提供了理想的机会。本文探讨了数字病理学中用于染色标准化的不同技术，重点关注利用生成对抗网络（GAN）的方法。研究者旨在找到一种有效和高效的方法来标准化病理图像，以使人工智能模型更具鲁棒性和可推广性。

    Aug, 2023

  • CLASSMix：基于自适应染色分离的对比学习与伪标签在组织病理图像分类中的应用

    本研究提出了一种新的半监督分类模型，命名为 Contrastive Learning with Adaptive Stain Separation and MixUp (CLASSMix)，该模型是基于适应性染色分离的苏木精和伊红染色图像的对比学习和混合学习的组合，经在肾细胞癌数据集上的对比分析，证明了该模型在两个数据集上的优越性能。

    Dec, 2023

  • 可扩展，可信赖的基于 H&E 全切片图像的虚拟多染色生成模型

    利用生成型人工智能技术进行虚拟染色的方法，通过使用一种基于 H&E 的编码器支持多种染色剂的解码器的设计，实现了从单张 H&E 切片生成 8 种不同染色的可扩展性，同时通过实时自检和质量检查来提高信任度和准确性，并开发了一种云端系统，方便实时用户反馈。

    Jun, 2024

  • 通过融合通道注意力和域对抗训练提高 CNN 对染色不变性的分割能力

    本研究提出了一种卷积神经网络的通道注意机制，用于检测特定染色的特征，并对先前提出的耐染色训练方案进行修改，以提高单一来源的卷积神经网络对染色变化的普适性。通过在多中心和多染色样本集上的评估，我们证明了该方法的有效性，并表明该方法和染色增强的组合可以实现相互有益的结果。

    Apr, 2023