Jul, 2024

利用图像标题进行选择性整体切片图像标注

HTML
PDF
TL;DR本文研究了通过原型抽样方法选择注释区域，为整个切片图像（WSIs）基于深度学习的任务提供最优模型训练。通过从大规模组织病理图像数据库中识别类别原型并检测与这些原型相似的无标签图像区域，本方法比随机抽样和多样性抽样更有效，可以识别具有有价值训练信息的注释区域，在语义分割和有丝分裂图像检测任务中改进了模型性能。
发现论文，激发创造
  • 组织学区域鉴定的种子迭代聚类

    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

  • 可训练原型增强的多示例学习用于全切片图像分类

    该研究论文提出了一种基于原型学习和多实例学习的Trainable Prototype enhanced deep MIL (TPMIL) 框架，用于弱监督下的WSI分类，其不需要依赖于选定的图像补丁，能够更准确地识别肿瘤亚型。

    May, 2023

  • 全切片图像语义分割中的主动学习自适应区域选择

    本文提出了一种基于区域的主动学习方法，可以更高效地训练监督分割模型，以实现乳腺癌转移细胞分割的任务，并在公共数据集（CAMELYON16）上验证了这种方法的有效性。

    Jul, 2023

  • 利用弱标注通过零样本分段任何模型实现基于分子的学习

    该研究使用分段任意模型（SAM）在零样本学习方法中利用弱边框注释，表明SAM辅助的分子强化学习（SAM-L）可以减少普通注释者的标注工作量，同时不影响注释准确性和深度学习分割性能，从而对训练病理图像分割的标注过程进行了明显改进。

    Aug, 2023

  • 一种面向计算病理学的通用自监督模型

    使用超过100万个组织样本预训练的自我监督模型UNI，在计算病理学中取得了巨大的突破，具有分辨率无关的组织分类、少样本类别原型的幻灯片分类以及疾病亚型分类等新的建模能力，为解决解剖病理学中各种具有挑战性的任务和临床工作流提供了数据高效、泛化和迁移能力的人工智能模型。

    Aug, 2023

  • 分类整张切片图像：什么是重要的？

    通过系统地研究 WSIs 分类算法的不同设计选择，我们发现全局上下文信息并非越多越好，而是以局部小区域的细节信息为主要特征，此外，相较于在更大的数据集上进行无监督预训练，我们发现在更小、更专注的数据集上进行预训练可以更好地区分输入补丁的微妙差异。

    Oct, 2023

  • 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

  • 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

    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。

    Mar, 2024

  • 利用多个实例学习在整个切片图像中找到感兴趣区域

    通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

    Apr, 2024

  • 全切片图像分析中的多实例学习进展：技术、挑战与未来方向

    本研究解决了全切片图像（WSI）分析中由于其巨大规模和复杂性而带来的独特挑战。文章提出了一种多实例学习（MIL）的方法，通过总结各种技术及其在癌症分类与检测中的应用，强调了MIL在癌细胞形态发现和可解释机器学习模型构建中的潜在影响，旨在为研究人员提供当前领域的状态并激发未来研究方向。

    Aug, 2024