Apr, 2024

F2FLDM：基于组织病理学预训练嵌入的潜在扩散模型，用于非配对冷冻切片向 FFPE 转换

PDF
TL;DR我们引入了一种新方法，结合了潜在扩散模型和组织病理预训练嵌入，以增强冰冻切片图像的恢复。通过扩散和去噪技术，我们的方法不仅保留了颜色染色和组织形态等关键诊断特征，还提出了一种嵌入转换机制来更好地预测目标组织病理切片的表示。结果表明，该方法显著提高了分类性能，并伴有有利的 CaseFD 指标。该研究为冰冻切片图像翻译质量建立了新的基准，有望在组织病理学冰冻切片图像分析中提供增强的可靠性和准确性。
发现论文，激发创造
  • 利用预训练模型进行 FF 到 FFPE 组织病理图像翻译

    使用预训练扩散模型的 Diffusion-FFPE 方法，能够将 FF 图像转化为 FFPE 样式，从而改善用于诊断目的的图像质量。

    Jun, 2024

  • PathLDM：用于组织病理学的文本条件潜变扩散模型

    本研究介绍了 PathLDM，这是一种专为生成高质量组织病理学图像而设计的首个文本条件潜在扩散模型。通过利用病理学文本报告所提供的丰富语境信息，结合图像和文本数据，通过 GPT 的能力进行复杂文本报告的提炼和总结，我们实现了在 TCGA-BRCA 数据集上文本到图像生成方面的 SoTA FID 得分为 7.64，显著优于最接近的文本条件竞争对手的 30.1 的 FID 得分。

    Sep, 2023

  • 多源潜变扩散模型的视频编辑

    FLDM 是第一个将现成的图像编辑方法融入视频 LDM 的视频编辑方法，通过在视频 LDM 中应用现成的图像编辑方法，FLDM 能够改善编辑视频的文字对齐和时间一致性。

    Oct, 2023

  • FDDM：使用频率解耦扩散模型的无监督医学图像翻译

    本研究介绍了一种频率解耦的扩散模型（FDDM），通过在转换过程中将医学图像的频率分量在傅里叶域中分离，实现保留结构并高质量转换图像。通过公开的脑部 MR-to-CT 转换数据集进行了广泛评估，结果表明 FDDM 在产生高度逼真的目标领域图像的同时保持了翻译的解剖结构的准确性。

    Nov, 2023

  • 大规模病理基础模型训练之路

    本文介绍了基于现代自监督学习算法的深度学习方法的最新进展，以及构建医学图像基础模型的相关工作。我们通过扩展性强的训练流程和综合分析不同超参数选择和训练技术，构建了一系列针对病理学图像的基础模型，并经过实验评估，在乳腺癌亚型分类和结肠癌核分割等不同任务上达到了最先进的性能水平。最后，为了统一领域内的评估方法并简化不同基础模型的比较，我们还提供了开源框架，用于在不同任务中一致评估病理学基础模型。

    Mar, 2024

  • 通过频率引导扩散模型实现零样本医学图像翻译

    使用频域滤波器来指导扩散模型，以实现结构保留图像翻译的频率引导扩散模型（FGDM），同时在医学图像翻译中具有零样本学习的能力。 该模型在结构保留医学图像翻译任务中具有良好的性能。

    Apr, 2023

  • 基于深度学习的组织结构保留的组织病理学冰冻切片超分辨率

    基于深度学习架构，在冰冻切片图像中实现超分辨率成像，以提高结构相似性指数（SSIM）和峰值信噪比（PSNR），同时避免丢失关键图像细节，减少诊断错误的风险。

    Oct, 2023

  • 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

  • DISC: 基于分离条件的前列腺癌分级中自陶醉的潜在扩散模型

    使用潜在扩散模型（LDMs）生成高质量的图像，以改善组织病理学图像的肿瘤分级模型训练。通过训练特定的 LDMs，利用输入图像上的像素级注释生成包含多个 Gleason Grades（GGs）的合成图像块，并有效利用合成图像块来提升现有模型的癌症分级性能，特别是在罕见的 GG5 病例中。

    Apr, 2024

  • 条件扩散模型用于语义化 3D 医学影像合成

    该论文介绍了 Med-DDPM，这是一种使用扩散模型进行语义 3D 医学图像合成的创新解决方案，解决了医学成像中的普遍问题，如数据稀缺、不一致的采集方法和隐私问题。

    May, 2023