Nov, 2023

数字病理学中的聚合模型超参数的重要性

PDF
TL;DR数字病理学通过对 G 级全幅图像（WSI）的分析大大提高了疾病检测和病理学家的效率。我们的研究揭示了特征提取模型和聚合模型超参数之间的相互依赖性，指出选择的超参数可能会使性能可比性产生偏差。通过对 162 个不同聚合模型配置的三个不同数据集上的七个特征提取模型的评估，我们提供了关于特征提取器和聚合模型之间关系的更细致的理解，从而使数字病理学中的特征提取模型能够获得更公正和准确的评估。
digital pathologywhole-slide imagesfeature extractor modelsaggregation model hyperparametersperformance comparability
发现论文，激发创造
  • 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

  • 基础模型的低资源化微调在组织病理学中超越了现有技术水平

    通过细化基础模型，仅经历两小时或三天的单个 GPU 训练，我们可以在计算病理学中的特征提取上相媲美或超越现有的方法，这表示即使资源有限，也可以针对特定下游任务和数据集训练一个定制的特征提取器。

    Jan, 2024

  • 弱监督学习的良好特征提取器

    深度学习在病理学中的应用包括疾病预测和个体化治疗，研究表明，在计算机病理学中，传统的染色归一化处理在深度学习时代仍然存在争议，采用以自我监督学习训练的特征提取器可以在省内存和计算资源的同时不影响下游性能，同时对染色和图像扩增具有鲁棒性。

    Nov, 2023

  • 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

  • 数字病理学中无旋转偏见的图像表示学习

    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。

    Nov, 2023

  • 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

  • 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

  • 自监督视觉 Transformer 在组织病理学中学习视觉概念

    本文通过训练多种自监督模型，发现采用基于 DINO 知识蒸馏的 Vision Transformers 模型能够实现对组织形态学特征进行有效解释，在多个弱监督和补丁级任务上进行了验证。

    Mar, 2022

  • 基于自我蒸馏的全尺寸图像的更好特征 (BROW)

    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。

    Sep, 2023

  • 组织病理学中基于现实数据丰富的强健图像分割

    通过扩充临床数据集中的少数样本，提高机器学习模型稳定性的一种新方法 —— 基于扩散模型的图像生成方法，可以生成与真实图像难以区分的组织病理学图像。

    Apr, 2023