computational pathology | BriefGPT

关键词computational pathology

搜索结果 - 74

HATs：全景病理图像分析的分层自适应分类系统
利用详细的解剖学见解，我们提出了一种新颖的分层自适应分类分割 (HATs) 方法，用于彻底地分割肾结构的全景视图。实验结果表明，HATs 方法为将临床见解和图像先例整合到超过 15 个类别的统一分割模型中提供了一种高效且有效的策略。
PDF4 days ago
可扩展，可信赖的基于 H&E 全切片图像的虚拟多染色生成模型
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
PDF8 days ago
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
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。
PDF24 days ago
结合图神经网络与 Mamba 捕捉全幅图像中的局部和全局组织空间关系
通过使用消息传递图神经网络（GNN）和状态空间模型（Mamba）结合来捕捉病理切片中切片之间的局部和全局空间关系，本研究旨在预测早期肺腺癌患者（LUAD）的无进展生存率，模型在预测上表现出很好的效果，并与其他最新研究方法进行了比较。
PDFa month ago
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
PDFa month ago
PRISM：一种用于切片级组织病理学的多模式生成基础模型
使用 Virchow 瓷砖嵌入和临床报告文本进行预训练的 PRISM 为 H&E 染色组织病理学提供了幻灯片级基础模型，能够生成临床报告，并通过线性分类器实现针对癌症检测、亚型识别和生物标志物预测等任务的高性能表现。
PDF2 months ago
CVPR自适应自我监督学习在计算病理学中的应用
对自我监督学习算法在计算病理学中的适应性进行了研究，包括提出了针对病理图像特点的增强方法、正则化函数和位置编码，并通过多个基准测试评估了这些改进对算法性能的影响。
PDF2 months ago
掩码注意力：提高视觉 Transformer 可解释性的机制
通过在注意机制中使用背景遮罩的新方法，视觉 Transformers 在计算病理学中的背景抑制中取得了可比的性能，提供了更准确和临床意义的注意热图。
PDF2 months ago
CVPRVim4Path: 自监督视觉玛巴用于组织病理学图像
基于 Vision Mamba 架构的图像表示学习在计算病理学中显示出显著的性能优势，并具有相对于 Vision Transformers 更好的实用性和模拟病理学家工作流程的能力。
PDF2 months ago
加强知识的视觉语言预训练在计算病理学中的应用
本文研究了计算病理学的视觉表征学习问题，通过利用来自公共资源的大规模图像 - 文本对和病理学中的领域特定知识。我们首次构建了包含 50,470 个有信息量的属性、涵盖 32 种人体组织下的 4,718 种需要病理诊断的疾病的病理知识树。我们
PDF3 months ago
RetMIL：组织病理学全切片图像分类的记忆多实例学习
通过提出的基于保留机制的 RetMIL 方法，实现了对组织病理学全幻灯片图像的分析，同时在性能和计算开销方面取得了显著的提升。
PDF4 months ago
为计算病理学系统配备工件处理管线：计算和性能权衡的展示
提出一种混合专家方案，用于从全玻片图像中检测五个显著的伪迹，其中包括受损组织、模糊、折叠组织、气泡和组织学上无关的血液，以提高计算病理学系统的可靠自动化诊断。
PDF4 months ago
借助 IHC 转 IF 染色领域翻译实现基于计算数据生成的 ReStainGAN
通过将形态学特定的免疫组织化学染色分解成免疫荧光（IF）图像中的分离图像通道，我们提出了一种新颖的方法来生成模拟免疫组织化学（IHC）图像，该方法在定性和定量上优于基准方法，并通过在创建的模拟数据集上训练细胞核分割模型得到证明。
PDF4 months ago
基于随机采样的整张切片图像分类的多实例学习
在计算病理学中，通过对抽样补丁进行训练的多实例学习（MIL）方法在计算效率上是高效的，并且作为一种正则化策略。本研究探讨了不同采样大小对性能趋势以及对模型可解释性的影响，并在 CAMELYON16 数据集上使用 30% 的补丁实现了 1.7
PDF4 months ago
超越多实例学习：全分辨率全内存端到端病理切片建模
人工智能（AI）在大规模数字化临床数据集上训练系统以提高健康结果方面具有巨大潜力。计算病理学作为对诊断和生物标志物具有重大影响的大量显微镜图像数据，处于这一发展的前沿。百亿像素病理学切片由于其巨大的尺寸而面临独特挑战，通常被分成数万个较小的
PDF4 months ago
简化自监督学习复杂度提高计算病理学弱监督分类性能
我们提出了一套适应性方法，可以在资源有限的环境下利用半监督自学习来进行计算病理学研究，从而提高下游分类性能并缩短自学习训练时间。
PDF4 months ago
CVPR特征重新嵌入：迈向计算病理学基础模型级性能
提出一种在线重嵌入区域变换器（R$^2$T），用于重新嵌入多实例学习模型中的特征，通过捕捉细粒度的局部特征和建立不同区域之间的连接，提高计算病理学模型的性能。
PDF4 months ago
FedMM：计算病理学中具有模态异质性的联邦多模态学习
提出并评估了一种名为 FedMM 的联邦多模态学习框架，该框架通过联邦训练多个单模态特征提取器来增强后续分类性能，以解决计算病理学中多模态信息融合的隐私问题。
PDF4 months ago
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。
PDF6 months ago
层次视觉 Transformer 用于全切片图像中上下文感知的前列腺癌分级
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。
PDF6 months ago