Nov, 2023

克服病理图像数据不足：基于病理转化过程生成图像

PDF
TL;DR基于深度学习的自适应深度控制双向扩散（ADBD）网络通过域迁移方法，可以与小的训练集合一起工作，并通过源信息引导克服扩散过拟合。该网络通过混合全局和局部关注优先级指导双向扩散，确保迁移成功。此外，它还通过自适应深度控制策略模拟生理转化，能够生成具有相应软标签的无限交叉领域中间图像。ADBD 网络对克服病理图像数据不足具有有效性，并且支持进一步病理学相关研究。
发现论文，激发创造
  • 基于双层优化的组织病理学图像自动数据增强学习

    通过自动数据增强学习方法，我们提出了一个神经网络模型训练的解决方案，可以自动学习改善模型训练所需的颜色和几何变换参数，特别适用于组织病理学图像的分类任务。

    Jul, 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

  • 计算组织病理学的深度神经网络模型：一项调查

    本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从 130 多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。

    Dec, 2019

  • 面向病理图像例级预测的领域自适应多示例学习

    为了在不增加注释成本的情况下提高目标数据集的分类性能，我们提出了一种使用多实例学习和域自适应方法的流程，并提出了一种高置信度的伪标签方法来有效地结合两种方法的监督信息。我们使用为此研究创建的病理图像数据集进行了实验，并证明了所提出的方法相对于现有方法显着提高了分类性能。

    Apr, 2023

  • 计算病理学中的领域泛化：调查与指南

    深度学习模型在计算病理学中表现出了卓越的效果，通过解决复杂的组织学图像分析应用中出现的外域数据问题，降低了经过训练的模型对于具有稍微不同数据分布的未见数据的泛化能力。

    Oct, 2023

  • 组织病理学图像分析的机器学习方法

    本文介绍了使用机器学习算法分析数字病理学图像的应用，解决数字病理学图像及相关任务中存在的问题，并提出了可能的解决方案。

    Sep, 2017

  • 脑图像的反事实生成和异常检测的扩散模型

    通过弱监督方法生成病变图片的健康版本，并利用此图像生成像素级异常地图，以提升放射科医生的训练文件和分割模型的可解释性。

    Aug, 2023

  • PathLDM：用于组织病理学的文本条件潜变扩散模型

    本研究介绍了 PathLDM，这是一种专为生成高质量组织病理学图像而设计的首个文本条件潜在扩散模型。通过利用病理学文本报告所提供的丰富语境信息，结合图像和文本数据，通过 GPT 的能力进行复杂文本报告的提炼和总结，我们实现了在 TCGA-BRCA 数据集上文本到图像生成方面的 SoTA FID 得分为 7.64，显著优于最接近的文本条件竞争对手的 30.1 的 FID 得分。

    Sep, 2023

  • 基于影像标注的潜在扩散模型用于增强组织病理学 AI 辅助癌症诊断

    人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性 / 特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

    Dec, 2023

  • 使用置换不变算子的深度学习进行多实例组织病理分类

    该论文提出了一种处理医学影像的框架，使用多实例学习多个小图像块的神经网络得出最终诊断，以解决机器学习中小 n，大 p 问题和像素级注释的限制。

    Dec, 2017