Jan, 2024

利用全扫描图像进行自动诊断的组织伪影分割与严重程度分析

PDF
TL;DR提出了一种利用卷积神经网络的系统，结合了严重程度评估与伪影检测，通过使用 DoubleUNet 对伪影进行分割以及六个微调后的卷积神经网络模型来确定伪影的严重程度，该方法在伪影分割方面的准确性较当前技术领先水平提高了 9%，在伪影的严重程度评估方面与病理学家的评估结果具有 97% 的强相关性，而且该系统在异构数据集上表现出良好的鲁棒性，并且与自动分析系统集成后可以得到实际的应用性。
pathological analysisdiagnosiswhole slide imageartifact detectionconvolutional neural networks
发现论文，激发创造
  • 通过显式伪像增强提高全尺寸图像质量控制

    本研究提出了一种方法，通过外部库生成和混合艺术品，从而增强给定的组织病理学数据集，以训练艺术品分类方法，从而解决了整个幻灯片图像获取中的伪影问题。

    Jun, 2024

  • 为计算病理学系统配备工件处理管线：计算和性能权衡的展示

    提出一种混合专家方案，用于从全玻片图像中检测五个显著的伪迹，其中包括受损组织、模糊、折叠组织、气泡和组织学上无关的血液，以提高计算病理学系统的可靠自动化诊断。

    Mar, 2024

  • 组织横截面和笔记标记的图像分割

    我们开发了一个基于卷积神经网络的组织和笔迹分割模型，通过对 200 张 H&E 染色 WSI 数据集的训练，在组织分割和笔迹分割方面取得了较高的准确性。我们还提出了一种基于聚类的后处理方法，用于分离交叉部分，并证明该方法对于常见的玻片和扫描伪影具有鲁棒性。我们将经过训练的模型参数和后处理方法以 SlideSegmenter 的 Python 软件包公开发布。

    Jan, 2024

  • 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

  • 数字显微组织图像分割和分类方法

    本文提出了两个计算机算法，分别用于分割细胞核和分类组织切片图像。采用多尺度深度残差聚合网络实现核物质的准确分割，采用深度学习方法与随机森林回归模型相结合进行图像分类。该算法在 MICCAI 2017 数字病理学挑战赛中取得了较高的精度得分。

    Oct, 2018

  • 数字病理学中的鲁棒图表学习

    本文提出了一种新颖的鲁棒学习方法来解决整张切片图像（WSIs）中的扰动问题，并通过引入图卷积网络（GCN）从图中提取特征，包括去噪和分类层，以改善前列腺癌的诊断准确率。实验结果表明，与非鲁棒算法相比，该模型在癌症诊断方面取得了显著的改善。

    Oct, 2023

  • 组织学图像中基于扩散概率模型的文物修复

    通过使用 ArtiFusion 进行逐渐去噪的过程，该研究提出了一种新的组织学图像去伪存真的方法，该方法能够成功地恢复失真区域外的真实组织结构和染色样式。

    Jul, 2023

  • 基于知识蒸馏的小样本组织学数据视觉 Transformer

    该论文介绍了使用知识蒸馏来提高 Vision Transformers 在传统医学图像处理中对空气泡识别任务的分类性能，以检测 Whole Slide Images 上的伪影，提高了细胞病理学自动诊断系统中的预处理管道的效率。

    May, 2023

  • 组织学肿瘤弱监督多实例学习分割

    本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在 The Cancer Genome Atlas 和 PatchCamelyon 数据集上进行了评估，显示出一定的潜力.

    Apr, 2020

  • 为低资源环境重新思考组织学切片数字化工作流程

    本研究提出了一种新的云数字切片工作流，通过上传低质量视频从廉价且便宜的显微镜中获取整张扫描仪质量的全切片图像（WSIs）。

    May, 2024