关于组织病理学图像搜索
本文介绍了基于深度学习的反向图像搜索工具SMILY，可以在组织病理学图像数据库中提高搜索效率，且能够正确检索具有类似组织学特征，器官位点和前列腺癌Gleason评分的搜索结果。
Jan, 2019
本文提出了一种数字病理学搜索引擎 Yottixel，它能够以紧凑的方式代表全切片图像，并使用“条形码组合”（BoB）的算法进行智能编码以实现在大型档案中快速准确地搜索病例。测试结果表明，Yottixel 可以精确地检索器官和恶性肿瘤，并显示其语义排序与人类观察者的主观评估具有很好的一致性。
Nov, 2019
本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中，通过搜索最大的公共存储库之一，本文显示出当足够的可搜索案例数量可用于每种癌症亚型时，计算机一致性似乎可以用于诊断。
Nov, 2019
本文提出两个新思想来提高医疗图像搜索性能，采用排名损失函数引导特征提取，将表示学习定制为图像搜索而不是学习类标签，同时引入了隔离学习的概念来增强特征提取的泛化性能，并通过最大的公共数据集实现验证，实验结果与现有技术相比具有更好的表现。
Apr, 2023
本文通过调查三款最先进的组织病理学幻灯片搜索引擎，对三种实体肿瘤患者的搜索和提取进行了临床评估，发现当前搜索引擎在识别病理学上仍存在困难，因此提出了一些最小化的要求，旨在进一步促进准确和可靠的医学组织病理学图像搜索引擎的发展。
Jun, 2023
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
在组织学和组织病理学影像档案中搜寻相似影像是一项关键任务，可用于患者匹配，从分类、诊断到预后和预测的各个方面。本文详细分析和验证了四种搜索方法（包括视觉词袋、Yottixel、SISH和RetCCL），其算法和结构进行了评估，同时提出需要进一步研究组织病理学图像搜索中准确性和最小存储需求这两个方面的问题。
Jan, 2024
本研究解决了数字病理学中医疗图像检索的效率和准确性问题。通过验证内容为基础的图像检索（CBIR）系统，本研究提出了一种全面评估图像搜索引擎在医疗应用中的有效性的方法。最重要的发现是这些系统能够显著提升病例的诊断准确性，从而为医生提供更可靠的支持。
Aug, 2024
本文解决了病理图像检索中的零样本问题，通过测试最新的基础模型进行全幻灯片图像检索。关键发现表明，尽管取得了一定的F1评分结果，但整体性能仍较低，显示出该方法在实际应用中的局限性，为未来的改进提供了重要参考。
Sep, 2024