Aug, 2024

通过染色规范化增强整体幻灯片病理基础模型

HTML
PDF
TL;DR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。
发现论文，激发创造
  • RandStainNA: 利用染色增强和标准化实现组织学切片无关染色特征学习

    通过RandStainNA方案，将stain normalization (SN)和stain augmentation (SA)相结合，以训练无差别染色的深度学习模型，从而提高数字组织病理学分析中的泛化能力。

    Jun, 2022

  • 合成领域定向增强 (S-DOTA) 改善数字病理学模型泛化

    本文研究了两种合成模型和基线模型在数字病理学中对模型泛化能力的改进作用，并发现这些方法明显改善了模型在各种任务和设置中的泛化性能，是现实世界应用中应对领域偏移的一种有效方法。

    May, 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

  • 通过异常检测为刈剪全扫描显微镜图像修剪正常组织的图谱创建

    使用来自正常组织活检样本的WSIs建立了一个正常组织的“地图”，通过这种方法可以消除组织样本中的正常片段，提高WSI样本集的代表性，并在索引和搜索性能方面保持相同的表现。

    Oct, 2023

  • 计算病理学中的领域泛化：调查与指南

    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

  • 弱监督学习的良好特征提取器

    深度学习在病理学中的应用包括疾病预测和个体化治疗，研究表明，在计算机病理学中，传统的染色归一化处理在深度学习时代仍然存在争议，采用以自我监督学习训练的特征提取器可以在省内存和计算资源的同时不影响下游性能，同时对染色和图像扩增具有鲁棒性。

    Nov, 2023

  • 基础模型的低资源化微调在组织病理学中超越了现有技术水平

    通过细化基础模型，仅经历两小时或三天的单个GPU训练，我们可以在计算病理学中的特征提取上相媲美或超越现有的方法，这表示即使资源有限，也可以针对特定下游任务和数据集训练一个定制的特征提取器。

    Jan, 2024

  • 组织学切片的多目标染色归一化

    传统的染色标准化方法通常依赖于选择单个代表性参考图像，而这可能不能充分考虑在实际情况下收集的数据集的各种染色模式。本研究引入了一种新颖的方法，利用多个参考图像增强对染色变异的鲁棒性。我们的方法无需参数，并可以在现有的计算病理学流程中采用而无需重大更改。我们通过在结肠癌图像上使用深度学习流程进行自动核分割的实验来评估我们方法的有效性。结果表明，通过利用多个参考图像，可以在广义到外部数据时获得更好的结果，而这些数据的染色与训练集有很大的差异。

    Jun, 2024

  • 通过染色标准化增强整体幻灯片病理基础模型

    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

  • 病理学中幻灯片表征学习的多染色预训练

    本研究解决了现有幻灯片表征学习方法在临床和生物多样性方面的局限。通过引入多模态预训练策略Madeleine，该方法利用多标记染色的幻灯片形成丰富的无任务信号，从而提高学习的表征质量。研究结果表明，Madeleine在包括形态学分类和预后预测在内的多个下游任务上表现优异，具有广泛的临床应用潜力。

    Aug, 2024