Jun, 2024

STimage-1K4M: 一个用于空间转录组学的组织病理学图片 - 基因表达数据集

PDF
TL;DR本研究介绍了 STimage-1K4M，这是一个包含基因表达信息的新型数据集，用于多模态数据分析和计算病理学等领域，为细胞病理学研究提供了前所未有的精细度。
发现论文，激发创造
  • HEST-1k：用于空间转录组学和组织学图像分析的数据集

    通过 H&E 染色全屏幕图像，将分子组成与组织形态学编码结合的空间转录组学，可以用于计算方法和生物标志物鉴定的研究。

    Jun, 2024

  • 通过多视图图形对比学习与 HSIC 瓶颈正则化从组织学中预测空间分辨率基因表达

    通过多视图图对比学习和 HSIC 约束正规化方法构建的空间转录组学 (ST) 框架 (ST-GCHB)，以学习共享表示来考虑空间依赖性，从而根据查询的图像点来估计相应的基因表达量。

    Jun, 2024

  • 跨模型扩散建模用于高分辨率空间转录组学

    使用跨模态条件扩散模型，结合组织学图像和基因表达进行超分辨率空间转录测序图，实现了更高的精度和性能。

    Apr, 2024

  • M2ORT: 基于组织病理学图像的空间转录组学预测的多对一回归变换器

    利用多对一回归变压器 M2ORT，通过分解多尺度特征提取器来处理病理图像的层次结构，从而直接从数字病理图像预测空间转录组学表达，实现了更少的参数和浮点计算，并在三个公共转录组学数据集上取得了最先进的性能。

    Jan, 2024

  • Quilt-1M：组织病理学的一百万张图像文本配对

    通过从 YouTube 等多种资源中收集图像和文本，我们构建了一个大规模的视觉语言数据集 Quilt-1M，其中共包含 100 万个成对的图像和文本样本，这是到目前为止规模最大的组织学图像和文本数据集，并通过微调预训练的 CLIP 模型在 13 个 diverse patch-level 数据集和跨模态检索任务中优于最先进的模型。

    Jun, 2023

  • 数字病理扫描图像的分类和检索：一个新数据集

    本文介绍了一个新的数据集 “Kimia Path24”，该数据集可用于数字病理学中的图像分类和检索，并通过使用 24 种不同的组织纹理的全扫描图像生成了 1,325 个大小为 1000x1000 的测试补丁。通过 LBP，字典方法和卷积神经网络等方法进行了基准测试，结果表明卷积神经网络获得了最高的准确性，41.8％。

    May, 2017

  • QuST: QuPath 扩展的整合全层切片图像和空间转录组学分析

    介绍了一种名为 QuST 的 QuPath 扩展，旨在解决数字病理学中深度学习和空间转录组学分析的数据格式和分析方法上的差异所导致的挑战。

    May, 2024

  • 零样本基因表达预测的空间转录组学分析

    本研究提出了一种语义引导的网络，用于从滑动窗口的图像预测基因表达，解决了传统监督学习模型的局限性，并在标准基准数据集上展示了与过去最先进的监督学习方法相媲美的零样本表现。

    Jan, 2024

  • MI-Gen：用于千兆像素全切片图像的病理报告多示例生成

    使用全幻灯片图像生成病理报告的多示例生成模型 (MI-Gen) 可减轻经验不足的病理医生的工作负担并提高临床自动化，同时简单的语义提取可以实现最佳性能且公开可用。

    Nov, 2023

  • 组织基因知识蒸馏用于癌症预后从组织病理学全扫描图像

    G-HANet 是一种新颖的基于基因组知识提炼的超级关注网络，通过对 WSI 图像进行基因组数据重构，实现了来自组织病理学和基因组学角度的病人超级关注建模，以改善癌症预后。

    Mar, 2024