Nov, 2023

数字病理学中无旋转偏见的图像表示学习

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 利用人工智能搜索归档的组织病理学图像进行全癌种诊断共识

    本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中，通过搜索最大的公共存储库之一，本文显示出当足够的可搜索案例数量可用于每种癌症亚型时，计算机一致性似乎可以用于诊断。

    Nov, 2019

  • 基于深度学习的全切片图像分割与分析通用框架

    本文章基于深度学习方法提出了一种可用于组织病理学图像分析的框架，并在癌症诊断、预后和图像分析等方面取得了良好的效果。

    Jan, 2020

  • 自监督一致性训练用于高效组织病理图像分析

    利用基于多分辨率背景下组织病理全切片图像的潜在上下文线索的自我监督预训练任务，以及新型的师生半监督一致性模式，使用任务无关和任务特定无标签数据来学习强大的监督信号进行无监督表征学习，并在有限标签数据下表现出与其他现有最先进方案相近乃至优越的性能。

    Feb, 2021

  • 组织病理学分类：多项分类任务的独特深度嵌入提取器

    通过对不同backbone的比较，使用单个预训练的深度嵌入提取器将图像转换为深度特征，以此来减少所需的标记数据和加速训练，并使用特征空间增强策略来显著提高在组织学图像分类任务上的F1分数。

    Mar, 2023

  • 乳腺组织病理学H&E全切片图像的公开数据集：系统综述

    通过对乳腺癌组织标本图像的数据集进行系统回顾，发现了12个公开的数据集，并对每个数据集的元数据和特征进行了报告，同时编制了一个文章中使用的补充资源列表。此外，还强调了建立乳腺癌WSI数据集元数据报告指南的必要性。

    Jun, 2023

  • 一种面向计算病理学的通用自监督模型

    使用超过100万个组织样本预训练的自我监督模型UNI，在计算病理学中取得了巨大的突破，具有分辨率无关的组织分类、少样本类别原型的幻灯片分类以及疾病亚型分类等新的建模能力，为解决解剖病理学中各种具有挑战性的任务和临床工作流提供了数据高效、泛化和迁移能力的人工智能模型。

    Aug, 2023

  • 组织病理学的领域特定优化和多样化自监督模型评估

    建立和评估组织病理学基础模型在自我监督学习中的价值，并发现领域特定方法可以进一步提高性能。

    Oct, 2023

  • PathoDuet：H&E和IHC染色病理切片分析的基础模型

    基于组织病理学图像的自监督学习方法，构建了预训练模型以应用于多种下游任务，并提出了新的预训练任务，通过跨尺度定位和跨染色转移，有效提高模型性能，证实了这些模型的优越性。

    Dec, 2023

  • Vim4Path: 自监督视觉玛巴用于组织病理学图像

    基于Vision Mamba架构的图像表示学习在计算病理学中显示出显著的性能优势，并具有相对于Vision Transformers更好的实用性和模拟病理学家工作流程的能力。

    Apr, 2024

  • Hibou：病理学基础视觉变换器家族

    通过数百万激光制片和荧光制片图像进行预训练，本论文介绍了基于DINOv2框架的Hibou视觉转换器系列，展示了在补丁级别和幻灯片级别基准测试中优于现有方法的卓越性能。

    Jun, 2024