Dec, 2023

CLASSMix：基于自适应染色分离的对比学习与伪标签在组织病理图像分类中的应用

PDF
TL;DR本研究提出了一种新的半监督分类模型，命名为 Contrastive Learning with Adaptive Stain Separation and MixUp (CLASSMix)，该模型是基于适应性染色分离的苏木精和伊红染色图像的对比学习和混合学习的组合，经在肾细胞癌数据集上的对比分析，证明了该模型在两个数据集上的优越性能。
histopathological image classificationsemi-supervised learningdigital histopathological imagescontrastive learningpseudo labeling
发现论文，激发创造
  • 无监督组织病理图像合成

    本研究提出了一种无监督学习的方法，利用生成对抗网络（GAN）生成与真实组织学图像相似的组织学图像，以提高分类 CNN 的性能，该方法不仅能在缺少监督数据的情况下有效地进行癌症诊断，而且对于含有监督数据的情况仍能表现出色。

    Dec, 2017

  • 数字病理学的自监督对比学习

    本文介绍一种使用 SimCLR 方法进行自监督学习的无监督学习方法，该方法在数字病理学数据集上的预训练在多项下游任务中优于在 ImageNet 上预训练的网络，F1 平均分提高了 28% 以上。

    Nov, 2020

  • HoVer-Net: 多组织组织学图像中细胞核的同时分割和分类

    通过使用卷积神经网络将核数据分离和分类，进而对数字病理学的工作流程进行优化。

    Dec, 2018

  • 组织病理学癌症检测

    癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤，本研究通过深度学习构建了一个潜在的肿瘤预后分类模型，利用组织病理学图像中有价值的信息，选择了 PatchCamelyon 基准数据集，训练了多层感知器和卷积模型，并评估了其精确度、召回率、F1 得分、准确度和 AUC 得分，结果显示基准卷积模型表现优于基准多层感知器模型。此外，本文还引入了 ResNet50 和 InceptionNet 模型，并使用数据增强，其中 ResNet50 能够超越最先进的模型，最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。

    Nov, 2023

  • 基于弱监督学习的病理切片整体分类

    该研究提出了一种基于病理先验的多实例学习框架，通过数据增强方法和空间相关性分析，能够有效地用于癌症检测和亚型区分的医学图像分类任务。

    Jul, 2023

  • 跨领域对比学习用于无配对的 H&E 到 IHC 染色转换

    通过提出混合域对比学习（MDCL）方法，在未配对的 H&E 到 IHC 染色转换中利用不同领域的病理信息聚合，提高相应补丁之间的病理一致性和生成的 IHC 图像不同位置的补丁的不一致性组件，取得了多个度量标准下的最先进性能。

    Jun, 2024

  • StainDiffuser: 虚拟染色的多任务双扩散模型

    StainDiffuser 是一种新颖的多任务双扩散架构，用于通过有限的训练预算实现虚拟染色，能同时训练细胞特异性的免疫组织化学染色和基于 HE 的细胞分割。

    Mar, 2024

  • 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

  • 使用深度多实例学习和对比预测编码的半监督组织学分类

    本研究提出了一种基于两阶段半监督学习的方法，将自监督特征学习和正则化的注意力弱标注多实例学习相结合，应用于乳腺癌病理图片二分类任务，并通过五个随机数据集实现了当前最先进的分类性能。

    Oct, 2019

  • 基于 GAN 的虚拟染色：全切片图像分析的有希望解决方案

    本文提出了一种基于条件 CycleGAN 网络的方法，将 H＆E 染色图像转换为 IHC 染色图像，实现同一切片的虚拟 IHC 染色，并展示了该方法在图像转换方面的优越性。

    Jan, 2019