Dec, 2023

使用联邦学习的点变换器从苏木精和伊红染色全切片图像中预测乳腺癌 HER2 状况

PDF
TL;DR通过使用点变换器与联邦学习方法对多地点 HER2 状态进行预测，我们提出了两个新的设计：动态标签分布策略和辅助分类器，它们有助于建立可初始化的模型和减轻不同地点标签分布的变化；此外，我们还提出了基于余弦距离的最远余弦采样，能够选择最具特色的特征并捕捉长程依赖关系。广泛的实验和分析表明，我们的方法在 4 个地点的 2687 个 WSIs 上实现了最先进的性能，并且我们证明了我们的模型可以泛化到两个未见过的地点，共 229 个 WSIs。
发现论文，激发创造
  • 从 H&E 染色的乳腺癌图像中预测 Ki67、ER、PR 和 HER2 状态

    通过使用机器学习方法和数字病理学，本研究建立了一个大规模数据集（185,538 张图像），通过可靠的 Ki67、ER、PR 和 HER2 状态测量结果，验证了基于 ViT 的标准流水线能够在正确的标注协议下达到大约 90% 的预测性能，同时揭示了训练分类器定位相关区域的能力，为未来改进本领域的本地化工作提供了启示。

    Aug, 2023

  • 学习何处关注：一种用于自动免疫组化评分的新型注意力模型

    提出一种深度强化学习模型，利用免疫组化（IHC）评分的 HER2 作为顺序学习任务，以鉴别性特征学习为中心，针对多分辨率大型图像的样本块进行深度处理，以实现该评分的序列化预测，并取得了比现有方法更优越的性能，在计算病理学领域中具有推广应用的潜力，这是使用深度强化学习的第一项 IHC 评分研究。

    Mar, 2019

  • 乳腺癌弱标签全切片图像的 PD-L1 分类

    本研究旨在基于 WSI 分析开发和比较能够根据 WSI 级别标签对乳腺癌样本的 PD-L1 阳性分类的模型，该任务包括 ROI 识别和将肿瘤分类为 PD-L1 阳性或阴性两个阶段，研究探讨了不同的特征提取方法和两个不同的训练配置，并测试了自动去除棕色伪迹的性能表现。

    Apr, 2024

  • 利用深度学习和金字塔采样进行乳腺癌图像中的自动 HER2 评分

    使用深度学习方法对免疫组织化学染色的乳腺癌组织图像进行 HER2 状态自动分类，以提高诊断准确性和评估速度，对乳腺癌的治疗规划可能产生重大影响。

    Apr, 2024

  • 通过对血红蛋白和嗜酸性染色组织学图像进行迁移学习改进乳腺癌诊断

    通过使用最新的 BRACS 组织学（H＆E 染色）图像数据集中的感兴趣区域（ROI）图像，我们使用不同的预训练深度学习模型，在处理图像时应用了数据增强、上采样和数据集拆分策略，最终达到了 96.2％的 f1-score，显著提高了乳腺癌肿瘤的早期诊断和鉴别，尤其是不典型和恶性肿瘤，从而改善患者预后并降低患者死亡率。

    Sep, 2023

  • 应对 HER2 乳腺癌组织学图像分类中的不确定性：一种可解释的集成方法与阈值筛选的单实例评估（SIE）

    该研究提出了一种集成方法，结合 HER2 表达的多分类，从乳腺癌组织病理切片图像中诊断乳腺癌，通过与现有模型的比较，该方法取得了 97.12% 的准确率，并有显著改进。

    Aug, 2023

  • 使用 Masked Pre-Training 的 Transformer 进行组织学图像分析

    该论文提出了一种名为 MaskHIT 的模型，它使用预训练的 transformer 模型来重建被遮盖的 WSI 区域并学习组织学特征，进而在癌症诊断和预测任务中表现出比其他方法更好的效果。

    Apr, 2023

  • DeepSMILE: 自监督异质感知多实例学习用于基于 H&E 全切片图像的 DNA 损伤响应缺陷分类

    提出了 DeepSMILE，一个深度学习弱标签学习方法，用于需要分析 Hematoxylin 和 Eosin 染色的肿瘤细胞的 WSI，无需像素级或瓦片级注释，使用自监督预训练和异质性感知的深度多实例学习进行学习，用于 HRD 和 MSI 预测，将其与最先进的基因组标签分类方法进行比较，DeepSMILE 在多中心乳腺和结直肠癌数据集中提高了 HRD 和 MSI 的分类性能。

    Jul, 2021

  • 使用血红素和伊红素全切片图像的多实例学习用于胶质瘤诊断：一个印度队列研究

    该研究使用多个特征提取器和聚合器，通过对脑瘤组织病理学进行多实例学习实验，为精确诊断和个体化治疗策略提供了更新的性能基准，包括在印度人群中的新数据集 (IPD-Brain) 。利用经过组织病理学数据预训练的 ResNet-50 进行特征提取，并结合 DTFD 特征聚合器，该方法在三种脑胶质瘤亚型分类上分别在 IPD-Brain 和 TCGA-Brain 数据集上取得了 88.08 和 95.81 的 AUC 值。此外，该研究通过 H＆E 染色全切片图像在 IPD-Brain 数据集上建立了基于分级和检测 IHC 分子生物标记物（IDH1（突变 R132H），TP53，ATRX，Ki-67）的新基准，并突出了模型决策过程与病理学家诊断推理之间的显著相关性，强调了其模拟专业诊断程序的能力。

    Feb, 2024

  • 用于多标记全切片组织病理学图像的补丁变换器

    提出了一种利用 Patch Transformer 来进行多标签预测的深度神经网络模型，可以从组织病理学切片图像中有效地预测多个幻灯片级标签，并通过大量实验证明了该模型的有效性。

    Jun, 2019