Mar, 2024

从组织病理学图像生成细胞学图像的可行性研究

PDF
TL;DR通过使用生成模型，如 CycleGAN 和神经风格迁移，将公开可用的乳腺组织学样本转化为合成的细胞学图像，我们研究了医学影像领域中的自动化和深度学习技术的应用，通过测量 FID 和 KID 分数发现所生成的细胞学图像与真实的乳腺细胞学样本非常相似。
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

  • 基于影像标注的潜在扩散模型用于增强组织病理学 AI 辅助癌症诊断

    人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性 / 特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

    Dec, 2023

  • 一种基于专家驱动的组织切片图像数据生成流程

    通过允许专家在数据集生成过程中融入领域知识，我们提出了一种用于细胞分割的合成数据集生成方法，可以有效地训练深度学习实例分割模型，克服了医学领域中稀缺且昂贵的注释数据的限制。

    Jun, 2024

  • 用于增强宫颈异常筛查的两阶段细胞病理图像合成

    通过两阶段图像合成框架，本论文提出了一种用于增强宫颈异常筛查的合成数据方法，包括生成充满正常宫颈细胞的细胞病理图像和将正常细胞转化为不同类型的异常细胞，以提高宫颈异常细胞检测的性能。

    Feb, 2024

  • CellGAN: 用于增强细胞病理图像分类的条件性宫颈细胞合成

    本文提出了基于 CellGAN 的 TCT 细胞病理学图像合成方法，用于增强细胞类型分类，并验证了该方法的有效性。

    Jul, 2023

  • 使用图像转换技术在组织病理图像中无监督检测癌变区域

    本文介绍一种基于图像转换的框架，在医学影像的癌变区域检测领域中取得了比现有的无监督方法更好的性能，并且接近于有监督方法的性能。

    Apr, 2021

  • 计算细胞学的深度学习：一项调查

    本文调查了 120 多篇基于深度学习的细胞学图像分析研究，介绍了全监督、弱监督、无监督和迁移学习等深度学习方法，并系统总结了公共数据集、评估指标、分类、检测等多种深度学习应用，探讨了细胞学计算的挑战和未来研究方向。

    Feb, 2022

  • 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

  • 基于核心感知的自监督预训练：使用图像对图像转换技术的非配对组织病理学图像

    提出一种新颖的基于细胞核感知的自监督预训练框架，通过组织病理图像与伪掩膜图像之间的无配对图像转换来捕获细胞核形态和分布信息，并采用条件和随机样式表示来调节生成过程，以实现预训练图像的真实性和多样性；同时，采用实例分割引导策略来捕获实例级信息。实验结果表明，该预训练方法在 Kather 分类、多实例学习和 5 个密集预测任务上优于有监督方法，并且在 8 个半监督任务上比其他自监督方法取得了更好的结果。

    Sep, 2023

  • 利用人工智能搜索归档的组织病理学图像进行全癌种诊断共识

    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