Mar, 2024

WEEP：一种计算机病理学中弱监督卷积神经网络模型的空间解释方法

PDF
TL;DR利用深度学习对高分辨率组织病理学全幻灯片图像进行建模，提出一种适用于模型解读的方法，Wsi rEgion sElection aPproach (WEEP)，该方法能够准确确定用于预测特定标签所需的 WSI 空间范围，并且在乳腺癌计算病理学领域的二分类任务中进行了演示。
deep learninghistopathologywhole-slide imageswsi region selection approachbreast cancer computational pathology
发现论文，激发创造
  • 全切片影像上数据有效和弱监督计算病理学

    CLAM 是一种易于使用、高吞吐量和可解释的基于深度学习的弱监督学习方法，它可以在只需要幻灯片级别标签的情况下处理大规模组织切片图像，并且可以用于多种不同的计算病理学任务。

    Apr, 2020

  • 数字病理中的可解释且位置感知学习

    本研究提出了一种基于整张切片图像的图像学习算法，利用基于位置的嵌入和图形注意机制，采用样条卷积神经网络进行结点位置嵌入，用于肾癌和前列腺癌的分级诊断，并使用渐变解释方法生成突出显着的区域地图，从而使该方法可解释性更好地识别 WSI 中的癌症区域。

    Jun, 2023

  • 上下文感知自监督学习整张切片图像

    本文提出了一种通过将全切片图像 (WHIs) 表示为图来进行肿瘤诊断的方法，使用图卷积网络 (GCN) 捕获 WSI 中的上下文依赖关系，并使用自监督学习获取无标签数据的训练增强。这种方法利用节点表示 WSI 的 patch，是一种包含上下文信息的模型方案，相比于现有方法或基于多实例学习（MIL）的方案实现了性能的提升。

    Jun, 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

  • CAMIL: 基于上下文的多示例学习用于大规模切片图像分类

    本研究开发了一种新的深度学习池化操作符 —— CHARM，以提高癌症诊断的准确性和可解释性，实验结果证明其在非小细胞肺癌和淋巴结转移的亚型识别方面优于其他弱监督分类算法。

    May, 2023

  • HistoSegCap: 针对全切片图像中组织类型进行弱监督语义分割的胶囊

    本文提出了一种利用胶囊网络进行基于弱监督语义分割 (WSSS) 的新型组织病理学图像分析方法，并使用数字病理学图谱 (ADP) 数据集对其进行评估。实验结果表明，该模型在准确性和平均交并联度 (mIoU) 指标方面优于传统方法，凸显了胶囊网络在增强组织病理学图像分析的精度和效率方面的潜力。

    Feb, 2024

  • 利用图神经网络进行组织病理学图像的表示学习

    本文介绍了一种基于图神经网络和 DenseNet 的方法，使用颜色选择和生成的样本 patches 并保持图像信息的关联性，以对肺癌的亚型进行精确分类。模型在 The Cancer Genome Atlas 数据集上表现出了 88.8% 的准确率和 0.89 的 AUC。

    Apr, 2020

  • 组织病理学图像分割的受限深度弱监督

    本文提出了一种新的弱监督学习算法，命名为 DWS-MIL，用于学习在组织病理学图像中分割癌症区域，该算法集成了全卷积网络、多尺度学习和正实例约束等技术，通过图像弱监督传递的信息完成分割任务，并在医学图像处理领域取得了最优结果。

    Jan, 2017

  • 利用聚类约束改善组织病理学图像的表征学习

    最近整个切片图像（WSI）扫描仪和计算能力的进展显著推动了人工智能在组织病理学切片分析中的应用。

    Oct, 2023

  • 组织病理图像深度实例级困难负样本挖掘模型

    本研究提出了一种基于深度卷积神经网络和注意力机制的多示例学习方法，旨在对整个组织切片图像进行分析并发现对诊断具有关键意义的细胞区块，并在结直肠和乳腺癌病理数据上取得了最先进的表现。

    Jun, 2019