Nov, 2023

选择不同形态分割与攻克千亿像素病理图像

PDF
TL;DR基于 “Divide & Conquer” 方法，我们提出了一种名为 SDM 的新方法，用于选择一小部分具有不同形态的整个切片图像，以在计算病理学中实现 WSI 分析、分类和匹配。通过在各种公共和私人组织病理学数据集上进行评估，SDM 展现了出色的效果，并通过优化选择过程来捕捉 WSI 中的不同形态特征，从而消除了 Yottixel's mosaic 中经验参数化的必要性。
whole slide imagesdigital pathologydivide & conquercomputational pathologydistinct morphologies
发现论文，激发创造
  • 简化数字病理图像处理的 SPLICE 方法

    数字病理学和人工智能模型的整合已经改变了组织病理学，为全面扫描图像（WSIs）的处理和分析提供了新机遇。本文提出了一种无监督补丁算法 SPLICE，通过顺序分析 WSIs 并选择非冗余特征，将 WSIs 压缩为紧凑的代表性补丁集，从而提高了搜索和匹配应用的准确性，减少了计算时间和存储需求。SPLICE 作为一种无监督方法，可以将组织图像的存储需求降低 50％，从而使计算病理学的许多算法能够更高效地运行，为数字病理学的快速应用铺平了道路。

    Apr, 2024

  • 利用语义分割的多阶段病理图像分类

    本论文提出了一种新的模型结构，将基于补丁的分类模型和整个切片比例的分割模型相结合，以提高自动病理诊断的预测性能，并通过优化方法，使模型部分地进行端到端学习，应用于 WSI 的肿瘤 / 正常预测，与传统基于补丁的方法相比，分类的性能得到了提高。

    Oct, 2019

  • 通过异常检测为刈剪全扫描显微镜图像修剪正常组织的图谱创建

    使用来自正常组织活检样本的 WSIs 建立了一个正常组织的 “地图”，通过这种方法可以消除组织样本中的正常片段，提高 WSI 样本集的代表性，并在索引和搜索性能方面保持相同的表现。

    Oct, 2023

  • 利用多个实例学习在整个切片图像中找到感兴趣区域

    通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

    Apr, 2024

  • 基于扩散的千兆像素尺度组织病理全切片图像生成

    用新的扩散性方法生成合成的病理全层切片图像，可以增强计算病理学应用的性能，并且无需数据注释即可学习全层切片图像的表征。

    Nov, 2023

  • 计算病理学中无监督切片表示学习的形态原型化

    利用 PANTHER 方法从病理全切片图像中学习表征，在无监督的方式下利用组织中的形态冗余建立了一种无特定任务的滑片表征，通过评估在 13 个数据集上的亚型和生存任务，证明了 PANTHER 在性能和模型可解释性方面的优势。

    May, 2024

  • 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

  • PathM3: 一个用于全幻灯片图像分类和字幕生成的多模式多任务多实例学习框架

    通过多模态多任务多实例学习的 PathM3 框架，有效地将组织切片图像与诊断说明对齐，从而在组织病理学图像分类和生成诊断说明任务上提高了分类准确性和生成效果。

    Mar, 2024

  • 局部标记组织病理图像自相似学生分割

    本研究提出了一种基于教师 - 学生模型和相似性学习的自我相似度的方法，用于癌细胞区域分割。在 CAMELYON16 和 TVGH TURP 数据集上进行了实验，结果显示该方法在噪声标签下的性能优于现有技术和有监督的基线。此外，在临床组织病理学分割任务中表现出良好的泛化能力。

    Jul, 2020

  • 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