Mar, 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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • Slideflow: 实时全切片可视化的数字病理学深度学习

    Slideflow是一种灵活的深度学习库，支持数字病理学的广泛深度学习方法，并包括快速的整个幻灯片接口来部署已训练好的模型，同时也具有高度优化的整个幻灯片图像处理等特点。

    Apr, 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

  • 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

  • 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

  • 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

    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。

    Jan, 2024

  • 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

  • 计算病理学中嵌入聚合方法的基准测试：临床数据视角

    通过对10种聚合技术在9个临床相关任务中的全面测试分析，结果显示领域特定的基于自我监督学习的模型比基于ImageNet的模型在聚合方法方面表现更好，但空间感知的聚合器仅在使用基于ImageNet预训练模型时才显著提高性能。同时，没有单一模型在所有任务中表现优秀，空间感知模型也不如预期一般表现卓越，这些发现强调了对更具适应性和普适性的聚合技术的需求，以指导未来临床病理学中医学人工智能不断发展的需求。

    Jul, 2024

  • 基于语义分割的组织病理全幻灯片图像质量控制

    本研究针对现有组织病理全幻灯片图像质量控制的不足，提出了一种高效的深度学习软件管道，能够自动分割模糊、组织区域、组织褶皱和笔迹等多种区域。经过在TCGA数据集上的评估，该管道在准确性和速度之间达成平衡，能够显著提高组织病理图像分析的准确性和可靠性，促进研究和临床应用。

    Oct, 2024