- 数字病理学的无监督潜在染色适应
在数字病理学中,通过使用未标注的目标染色图像和标注的源染色图像,结合染色转换和无监督学习方法 ULSA,我们提出了一种半监督策略来实现有效的染色适应,从而在肾脏组织分割和乳腺癌分类方面实现了最先进的性能。
- 多染色多层卷积网络用于多组织乳腺癌图像分割
我们提出了一种基于卷积神经网络的多类组织分割模型,通过像素对齐的非线性融合实现了局部和全局视野,能够准确检测各种组织类别,并且对于多种染料和扫描仪具有稳定性。
- Hibou:病理学基础视觉变换器家族
通过数百万激光制片和荧光制片图像进行预训练,本论文介绍了基于 DINOv2 框架的 Hibou 视觉转换器系列,展示了在补丁级别和幻灯片级别基准测试中优于现有方法的卓越性能。
- 深度学习预测非小细胞肺癌脑转移中的尺度研究
利用深度学习辅助数字病理学有潜力在临床实践中产生重大影响,但深度神经网络 (DNN) 的解释性不足成为制约其临床解释性的主要问题。研究旨在通过一种新方法来研究 DNN 的预测特征长度尺度,从而更好地评估 DNN 在解释数字显微镜图像中的特征 - 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。
- 基于语言大模型和图书知识的肾脏数字病理学视觉知识搜索平台
基于大型模型的图像分割和语义检索,构建了一个检索系统,通过文本描述来检索肾脏病理图像。
- 利用组织病理学特征提取器进行全片幅图像生存分析
利用全幅图像中的丰富信息,基于多实例学习的特征聚合技术可以利用预训练的 ResNet 主干提高准确率,为数字病理学中更强大的预后工具铺平了道路。
- 使用 Fréchet 域距离在数字病理学的多实例学习中检测域偏移
多实例学习在数字病理学应用中具有吸引力,但对于临床实际中的领域漂移敏感性问题尚不清楚,本研究通过训练一种基于注意力机制的多实例学习算法,在来自不同国家的医院数据以及对应于不同程度领域漂移的各个子集上进行分类乳腺肿瘤转移的全切片图像,并提出一 - CVPR无源领域自适应散病理学弱监督目标定位模型
基于深度学习的数字病理学已经在基于组织学图像的癌症诊断中变得流行。本文关注无源领域自适应(SFDA)问题,在组织学中对弱监督目标定位模型的分类和定位准确性中进行了比较。
- 虚拟组织染色和数码病理的自主质量和幻觉评估
自动质量和幻觉评估方法 (AQuA) 在虚拟组织染色方面实现了 99.8% 的准确性和 98.5% 的与人工评估一致性,同时具有检测虚拟组织染色幻觉图像的超人表现,并显示其在数字病理学和计算成像中的各种图像生成和转换任务方面的可靠性。
- 简化数字病理图像处理的 SPLICE 方法
数字病理学和人工智能模型的整合已经改变了组织病理学,为全面扫描图像(WSIs)的处理和分析提供了新机遇。本文提出了一种无监督补丁算法 SPLICE,通过顺序分析 WSIs 并选择非冗余特征,将 WSIs 压缩为紧凑的代表性补丁集,从而提高了 - RegWSI: 使用深度特征和基于强度的方法的全切片图像配准:ACROBAT 2023 挑战赛获胜者
我们提出了一个两步骤混合方法,包括深度学习和特征提取的初始对齐算法以及基于强度的非刚性配准。该方法不需要对特定数据集进行微调,可直接用于任何所需的组织类型和染色剂。该方法在 ACROBAT 数据集上获得了最准确的结果,在 HyReCo 数据 - 用于诊断全幻灯片图像的语义感知注意引导
精确的癌症诊断在数字病理学中仍然是一个重要挑战,主要是由于全幻灯片图像中的巨像素大小和复杂空间关系所致。本文引入一种名为 Semantics-Aware Attention Guidance(SAG)的新框架,通过将诊断相关实体转换为注意信 - 基于多头注意力的深度多示例学习
MAD-MIL 是一个基于多头注意力机制的深度多实例学习模型,针对数字病理学中弱监督的整张切片图像分类而设计。在模型复杂度简化的同时,MAD-MIL 能够与先进模型如 CLAM 和 DS-MIL 取得竞争性结果,并在 MNIST-BAGS - 基于大规模多扫描仪数据集的深度学习红细胞分割与分类
数字病理学发展迅速,结合人工智能、深度学习和高性能计算等技术的进步,可以提高和加速诊断过程,减少人为错误,并简化报告步骤。本文提出了一个新的大型红细胞(RBC)图像数据集,并提出了一个两阶段的深度学习框架用于 RBC 图像分割和分类,采用 - 组织病理学全幻灯片图像的集成图形转换框架的表示和分类
通过引入整合图转换器框架,本研究在数字病理学中用于弱监督组织病理学全幻灯片图像分类的多实例学习策略可以同时捕捉上下文感知的关系特征和全局图像表示,实验证明该方法在 WSI 数据集上具有优越性能,准确率提高 1.0%-2.6%,在 AUROC - 评估深度学习在前列腺癌自动格里森分级中的性能
通过利用数字病理学和人工智能,该研究探索了 11 种深度神经网络架构在自动化前列腺癌格里森分级中的潜力,重点比较了传统和最新的架构。使用基于 AUCMEDI 框架的标准化图像分类流程,在具有 34,264 个注释组织切片的内部数据集上进行了 - DeepGleason: 使用深度神经网络进行前列腺癌 Gleason 分级的自动化系统
利用深度神经网络和全幅组织病理图像,我们提出了 DeepGleason:一种用于自动 Gleason 评分的开源深度神经网络图像分类系统,展示了其在准确和可靠的 Gleason 评级方面的较高性能。
- 将多尺度拓扑与金字塔图卷积神经网络集成于数字病理学中
图卷积网络(GCNs)在数字病理学中作为卷积神经网络的多实例学习强大替代品,能够优秀地处理各种空间范围内的结构信息,对于从吉格巴 H&E 染色全幻灯片图像(WSI)中学习至关重要。然而,图传递算法在聚合大邻域时往往存在过度平滑的问题,因此, - 针对全尺寸图像的高效信息融合:基于同心双重融合注意力的多实例学习
数字病理学中,Concentric Dual Fusion Attention-MIL (CDFA-MIL) 框架结合点到区域特征列注意力和点到点同心行注意力,使用同心补丁,有效融合相关信息,增强特征表示,并为 WSI 分析提供更强的相关性