该研究使用基因特定模型和卷积神经网络从组织形态结构预测肿瘤基因表达及其空间分布,并验证了该方法在乳腺癌中的可行性,为描述肿瘤内异质性提供了可扩展性的方法。
Sep, 2020
本文提出了一种在组织病理学图像中进行异常检测的系统,该系统使用单类分类器、预训练的卷积神经网络和一个辅助任务进行训练,并用于药物毒性评估,结果优于已有的方法。
Oct, 2022
深度学习模型在计算病理学中表现出了卓越的效果,通过解决复杂的组织学图像分析应用中出现的外域数据问题,降低了经过训练的模型对于具有稍微不同数据分布的未见数据的泛化能力。
Oct, 2023
通过去除细胞注释中的 50% ,学习性的分割模型表现的结果只比完整的标签相应的模型降低了DSC指标,表明可以至少减少一半的注释时间而不影响性能,并且单一组织模型与多组织模型在新颖组织类型上的性能差异微乎其微,并且通过多次增加最差性能模型的训练可以提高其性能。
Feb, 2024
StainDiffuser是一种新颖的多任务双扩散架构,用于通过有限的训练预算实现虚拟染色,能同时训练细胞特异性的免疫组织化学染色和基于HE的细胞分割。
Mar, 2024
介绍了一种用于虚拟染色任务的新型网络 In-and-Out Net,基于生成对抗网络(GAN),能够将表皮镜下反射共聚焦显微镜(RCM)图像高效地转化为血红素和噻唑蓝(H&E)染色图像,提供了用于虚拟染色任务的有价值的工具,推动了组织学图像分析领域的发展。
May, 2024
利用生成型人工智能技术进行虚拟染色的方法,通过使用一种基于H&E的编码器支持多种染色剂的解码器的设计,实现了从单张H&E切片生成8种不同染色的可扩展性,同时通过实时自检和质量检查来提高信任度和准确性,并开发了一种云端系统,方便实时用户反馈。
Jun, 2024
通过介绍一个专家精选的基准测试集μ-Bench,评估了最新的生物医学、病理学和通用视觉语言模型在各种生物学图像识别任务上的表现,发现当前模型在所有类别上都存在困难,甚至在识别显微镜模态等基本任务上表现不佳。在特定显微镜领域进行微调可能导致灾难性遗忘,影响基础模型中编码的先前生物医学知识。通过在微调和预训练模型之间进行权重插值,可以解决忘记问题,并提高生物医学任务的整体性能。μ-Bench基准测试集已获得许可证,以加快微观成像基础模型的研究和开发。
Jul, 2024
本研究解决了数字病理学中基础模型泛化能力不足的问题,特别是针对特征聚类现象(WSI特定特征崩溃)。我们提出了一种新的模型,经过染色标准化处理,从而使模型学习到更一致的特征。实验结果显示,该模型在多个下游任务中显著减少了特征崩溃现象,提高了模型的效率和泛化能力。
Aug, 2024
本研究解决了基础病理模型在数字病理中的特征聚类问题,即WSI特定特征崩溃,这影响了模型的泛化能力和性能。作者提出的染色规范化病理基础模型通过对拼接区域进行染色规范化,显著提升了模型学习更一致特征的能力,实验证明该模型在多个下游任务中表现优异,表明其泛化能力得到了明显改善。