Hibou:病理学基础视觉变换器家族
使用自监督学习方法,创建了 Virchow 计算病理学的 632 百万参数深度神经网络基础模型,以解决病理学任务中缺乏数据的挑战,并在病理图像分类、癌症检测和亚型、生物标志物预测等多个任务中表现出色,显示了预训练在病理学图像数据集上的重要性和潜力。
Sep, 2023
本文通过训练多种自监督模型,发现采用基于 DINO 知识蒸馏的 Vision Transformers 模型能够实现对组织形态学特征进行有效解释,在多个弱监督和补丁级任务上进行了验证。
Mar, 2022
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
通过半自动化数据整理和引入病理学领域知识,我们扩展了数字病理学全幻灯片图像的基础模型的最新技术。我们的模型在公共和内部基准测试中表现良好,尽管使用的幻灯片数量比竞争模型少一个数量级。我们预计在更多数据和更大的模型规模下,我们的方法将进一步提高性能,并能够处理日益复杂的诊断和生物医学研究中的实际问题。
Jan, 2024
基于组织病理学图像的自监督学习方法,构建了预训练模型以应用于多种下游任务,并提出了新的预训练任务,通过跨尺度定位和跨染色转移,有效提高模型性能,证实了这些模型的优越性。
Dec, 2023
最近在自我监督学习方面的突破已经实现了使用大规模无标签数据集来训练视觉基础模型,该模型可以推广到各种下游任务。本项目的目标是训练最大的学术基础模型,并通过在大型临床病理数据集上的预训练和下游性能评估来对最重要的自我监督学习算法进行基准测试。结果表明,与自然图像的预训练相比,病理数据的预训练对下游性能是有益的。此外,DINO 算法在所有测试任务中实现了更好的泛化性能。这些结果标志着计算病理学研究的一个阶段性变化,为基于大规模、并行预训练的更高性能模型开辟了新时代。
Oct, 2023
该研究提出了一种轻量级的病理学 FM,即 PLUTO,它在多个病理学尺度上从多个 WSI 中抽取有意义的表示,以支持多样化的病理学任务,包括实例分割、瓦片分类和幻灯片级别预测,并通过在多个基于生物的任务、组织类型、分辨率、染色和扫描仪的外部和内部基准测试中的表现,证明 PLUTO 相当于或优于现有的基线和基础模型。该研究为病理图像分析提供了通用嵌入的发展方向,并促进进一步探索病理学基础模型在数据多样性、架构改进、样本效率和实际应用中的可行性方面。
May, 2024
本研究提出了三个关键技术贡献,分别为:一种快速的片段选择方法(FPS)用于全切片图像分析,显著降低计算成本同时保持准确性;一种轻量级组织病理特征提取器 PathDino,仅包含五个 Transformer 块和 900 万参数,较其他方法大大减少;一种使用自监督学习的旋转不变表示学习范式,有效减轻过拟合。并且通过在 12 个不同数据集上的评估,证明我们的紧凑模型优于现有的最先进组织病理专用视觉转换器,还验证了其在数字病理学中增强图像分析的鲁棒性。
Nov, 2023
在高分辨率组织病理学全幻灯片图像中,使用高质量的像素级标注训练神经网络是昂贵的。然而,最近自监督学习的进展表明,可以学习到高度描述性的图像表示,而无需标注。我们研究了最近的分层图像金字塔变换器(HIPT)模型在结直肠活检和息肉分类等特定任务中的应用。在评估 TCGA 学习的特征对原始 HIPT 模型的有效性后,我们使用两种不同策略将结肠活检图像信息纳入 HIPT 的预训练中:(1)从现有的 TCGA 权重微调 HIPT,以及(2)从随机权重初始化预训练 HIPT。我们比较了这些预训练方案在两个结直肠活检分类任务(二元分类和多类分类)上的性能。
May, 2024
该研究探讨了分层视觉 Transformer(H-ViTs)在计算病理学中的应用,评估其在整张切片图像中进行前列腺癌分级的效率,结果显示其与现有最先进解决方案具有竞争力的性能。
Dec, 2023