digital pathology | BriefGPT

关键词digital pathology

搜索结果 - 88

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
PDF3 months ago
基于病理医师的肾癌数字病理学图像标注数据集 RCdpia
数字病理学中的肾细胞癌的数字化切片数据的注释对于正确诊断人工智能模型至关重要，通过增强数据适用性和提高预测精度，这些进展突显了数字病理学领域中更精细和准确的人工智能应用的潜力。
PDF4 months ago
UN-SAM：通用无提示分割广义细胞核图像
提出了一种全自动解决方案，名为通用无提示的 SAM 框架 (UN-SAM)，用于细胞核分割，具有优异的泛化能力，通过自动生成高质量掩膜提示来引导分割任务，并利用可学习的域查询来进行不同核域中的分割。
PDF4 months ago
HistoSegCap: 针对全切片图像中组织类型进行弱监督语义分割的胶囊
本文提出了一种利用胶囊网络进行基于弱监督语义分割 (WSSS) 的新型组织病理学图像分析方法，并使用数字病理学图谱 (ADP) 数据集对其进行评估。实验结果表明，该模型在准确性和平均交并联度 (mIoU) 指标方面优于传统方法，凸显了胶囊网
PDF5 months ago
TIAViz：计算病理学模型的基于浏览器的可视化工具
数字病理学在现代医疗系统中得到了显著的推广，通过光学显微镜向数字图像的转变带来了改进诊断、提高效率以及将人工智能工具整合到病理学家工作流程中的潜力。我们介绍了 TIAViz，这是一个内置于 TIAToolbox 的基于 Python 的可视
PDF5 months ago
GRASP: 图结构金字塔式全切片图像表示
GRASP 是数字病理学中用于处理全幅数字切片图像（WSIs）的一种新型多放大率图结构框架，通过动态模拟病理学家处理 WSIs 的行为、受益于 WSIs 的层次结构以及引入基于收敛的节点聚合机制，表现出优秀的性能，同时具备解释性和稳定性，并
PDF5 months ago
核子亚型分类的跨模态学习
利用多模态学习在数字病理学中为先前无法分类的细胞类型自动标注，代表着自动标注数字病理学的有希望的进展。
PDF6 months ago
RudolfV: 病理学家为病理学家打造的基础模型
通过半自动化数据整理和引入病理学领域知识，我们扩展了数字病理学全幻灯片图像的基础模型的最新技术。我们的模型在公共和内部基准测试中表现良好，尽管使用的幻灯片数量比竞争模型少一个数量级。我们预计在更多数据和更大的模型规模下，我们的方法将进一步提
PDF6 months ago
结合人工智能辅助的病理诊断：EMPAIA 项目
过去十年间，病理学领域中的人工智能方法取得了显著进展，然而由于技术和监管方面的困难以及缺乏标准化接口，其在临床实践中的整合进展缓慢。EMPAIA 倡议以开放和供应商中立的方式应对这些挑战，并在病理学人工智能生态系统中集成了病理学家、计算机科
PDF6 months ago
数字病理学中的聚合模型超参数的重要性
数字病理学通过对 G 级全幅图像（WSI）的分析大大提高了疾病检测和病理学家的效率。我们的研究揭示了特征提取模型和聚合模型超参数之间的相互依赖性，指出选择的超参数可能会使性能可比性产生偏差。通过对 162 个不同聚合模型配置的三个不同数据集
PDF7 months ago
免疫组化指导下的乳腺癌切片中良性上皮细胞、原位病变及浸润上皮细胞的分割
利用人工智能的数字病理学可以自动分析组织病理切片，自动评估可以提高诊断效率并帮助找出形态特征与临床结果之间的关联。本研究旨在开发一个用于乳腺癌切片上上皮细胞分割的人工智能模型，利用卷积神经网络进行训练，并通过数据增强提高模型的鲁棒性。
PDF7 months ago
选择不同形态分割与攻克千亿像素病理图像
基于 “Divide & Conquer” 方法，我们提出了一种名为 SDM 的新方法，用于选择一小部分具有不同形态的整个切片图像，以在计算病理学中实现 WSI 分析、分类和匹配。通过在各种公共和私人组织病理学数据集上进行评估，SDM 展现
PDF8 months ago
数字病理学中无旋转偏见的图像表示学习
本研究提出了三个关键技术贡献，分别为：一种快速的片段选择方法（FPS）用于全切片图像分析，显著降低计算成本同时保持准确性；一种轻量级组织病理特征提取器 PathDino，仅包含五个 Transformer 块和 900 万参数，较其他方法大
PDF8 months ago
染色一致性学习：处理数字病理学分割中的染色变异
数字病理学中的染色变异是自动化分析的一个独特挑战，本研究提出了一种新的框架，利用染色的特定增强和染色一致性损失函数来学习染色色彩不变的特征，在细胞和细胞核数据集上，与其他方法相比，该方法表现最佳。
PDF8 months ago
数字病理学中使用错误模拟评估和增强深度学习模型的鲁棒性
数字病理学中的深度学习为病理分析带来了智能和自动化的显著提升，然而，组织准备到幻灯片成像的多个步骤引入了各种图像损坏，使得深度神经网络模型难以在临床诊断中获得稳定的诊断结果。为了评估和进一步增强模型的鲁棒性，我们分析了病理生命周期中全栈损坏
PDF8 months ago
何时称为基础模型的基础模型
最近，在医学领域中，有几项研究报道了利用像推特和 PubMed 这样的在线数据来源中的图像对基础模型进行微调以进行图像 - 文本建模。基础模型是能够通过在非常广泛的数据集上训练来学习特定领域上下文的大型深度人工神经网络。通过验证，我们观察到
PDF10 months ago
通过非确定性的训练时间和确定性的测试时间染色归一化提升基于深度学习的细胞核实例分割的泛化能力
借助数字病理学和自动扫描保存整张组织学图像的显微系统的出现，越来越多地使用计算机方法来分析获取的图像。在各种组织学图像分析任务中，核实例分割在各种临床和研究应用中起着基础作用。然而，深度学习（DL）方法在处理未见数据集时性能通常下降。本文提
PDF10 months ago
WSInfer 和 QuPath 的开放可重复使用的病理深度学习
数字病理学领域近年来涌现了大量的深度学习模型，为了解决模型在文献中的共享和使用难题，本文介绍了一种名为 WSInfer 的开源软件生态系统，旨在通过 Python 包、命令行工具、QuPath 扩展以及模型仓库的组合，帮助病理学家更加便捷地
PDF10 months ago
组织病理学中的染色归一化的生成对抗网络
数字病理学的快速发展为发展基于人工智能的工具改善临床诊断的准确性和效率提供了理想的机会。本文探讨了数字病理学中用于染色标准化的不同技术，重点关注利用生成对抗网络（GAN）的方法。研究者旨在找到一种有效和高效的方法来标准化病理图像，以使人工智
PDFa year ago
从 H&E 染色的乳腺癌图像中预测 Ki67、ER、PR 和 HER2 状态
通过使用机器学习方法和数字病理学，本研究建立了一个大规模数据集（185,538 张图像），通过可靠的 Ki67、ER、PR 和 HER2 状态测量结果，验证了基于 ViT 的标准流水线能够在正确的标注协议下达到大约 90% 的预测性能，同时
PDFa year ago