本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析,从 130 多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。
Dec, 2019
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
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。
Mar, 2024
本文中,我们介绍了一种吸引医学生和病理学家参与的方法,用于在乳腺癌中标注细胞核的数据集,其中建议的注释可以通过弱算法来改善,该算法可用于训练分割算法,这种方法被称为 DTALE,旨在通过核分割和形态学特征来提高核分类模型的透明度。
Feb, 2021
本文提出了一种弱监督整个切片图像分割的框架,利用标准的临床注释,采用多实例学习方案进行模型训练,并在 The Cancer Genome Atlas 和 PatchCamelyon 数据集上进行了评估,显示出一定的潜力.
Apr, 2020
研究论文提出用种子迭代聚类方法进行分割,以解决在病理学中生成稠密注释的困难,并为神经网络隐表示的转移学习提供了比较框架
Nov, 2022
通过在大规模无标签数据集上预训练潜在扩散模型(LDM),我们提出了一种名为 HistoDiffusion 的合成增强方法,然后在未见过的有标签数据集上通过分类器引导在潜在空间中微调模型,以合成特定类别的图像,并采用选择性机制只添加与目标标签匹配度较高的合成样本,通过 HistoDiffusion 增强,使用少量原始标签,我们大幅提高了骨干分类器的分类准确率 6.4%。
Aug, 2023
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
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
该论文应用半监督的师生知识蒸馏技术,使用 0.5% 的标记数据达到了与 100% 标记数据相同的准确率,减轻了标注负担,提高了自动数字病理学系统的可承受性。
Mar, 2020