Dec, 2023

从全切片图像到生物标志物预测：结合计算病理学的端到端深度学习协议

PDF
TL;DR该研究论文介绍了一种实用的基于深度学习的固体肿瘤相关建模工作流程（STAMP），使得可以直接从组织病理学图像中预测生物标志物。它包括问题定义、数据预处理、建模、评估和临床转化五个主要阶段，并且注重作为一个合作框架，为临床医生和工程师在计算病理学领域开展研究项目提供支持。
发现论文，激发创造
  • 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

  • 乳腺组织病理学 H&E 全切片图像的公开数据集：系统综述

    通过对乳腺癌组织标本图像的数据集进行系统回顾，发现了 12 个公开的数据集，并对每个数据集的元数据和特征进行了报告，同时编制了一个文章中使用的补充资源列表。此外，还强调了建立乳腺癌 WSI 数据集元数据报告指南的必要性。

    Jun, 2023

  • 基于深度学习的前列腺癌全切片图像微卫星不稳定性预测器的开发和验证

    我们开发和验证了一个基于人工智能的 MSI-H 诊断模型，该模型在大规模真实世界的常规 H&E 标本中进行了泛化，并有效应用于外部染色和扫描样本以及独立验证队列，有潜力将前列腺癌患者引向免疫疗法，并鉴定 Lynch 综合征次要的 MSI-H 病例。

    Oct, 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

  • Virchow：百万切片数字病理基础模型

    使用自监督学习方法，创建了 Virchow 计算病理学的 632 百万参数深度神经网络基础模型，以解决病理学任务中缺乏数据的挑战，并在病理图像分类、癌症检测和亚型、生物标志物预测等多个任务中表现出色，显示了预训练在病理学图像数据集上的重要性和潜力。

    Sep, 2023

  • 基于深度学习的全切片图像分割与分析通用框架

    本文章基于深度学习方法提出了一种可用于组织病理学图像分析的框架，并在癌症诊断、预后和图像分析等方面取得了良好的效果。

    Jan, 2020

  • 一种面向计算病理学的通用自监督模型

    使用超过 100 万个组织样本预训练的自我监督模型 UNI，在计算病理学中取得了巨大的突破，具有分辨率无关的组织分类、少样本类别原型的幻灯片分类以及疾病亚型分类等新的建模能力，为解决解剖病理学中各种具有挑战性的任务和临床工作流提供了数据高效、泛化和迁移能力的人工智能模型。

    Aug, 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

  • 使用生成对抗神经网络进行前列腺活检 RGB 图像的计算组织染色和去染色

    该研究提出了两种新方法，使用条件生成式对抗网络进行机器学习，来实现对前列腺活检组织的计算机 H&E 染色和去染色，进而提高了组织结构等的相似性指数。

    Oct, 2018

  • 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