- PathGen-1.6M: 160 万病理图像 - 文本对的多机器人协作生成
利用大规模全扫描图像数据集和多模型协作的方法,生成高质量的图像 - 文本对,为病理学领域的 Vision Language Models 进行训练和指导调优,从而显著提高其分析病理图像的能力,并为下一代通用病理模型铺平了道路。
- 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。
- PLUTO:病理通用 Transformer
该研究提出了一种轻量级的病理学 FM,即 PLUTO,它在多个病理学尺度上从多个 WSI 中抽取有意义的表示,以支持多样化的病理学任务,包括实例分割、瓦片分类和幻灯片级别预测,并通过在多个基于生物的任务、组织类型、分辨率、染色和扫描仪的外部 - 基于分类的自适应分割流水线:多囊肝和结直肠癌 CT 图像转移的可行性研究
通过使用深度学习分类器将图像自动分类并将其路由到适当的分割模型,本研究旨在探索构建一个工作流的可行性,以高效地处理不同病理图像。我们希望通过我们的工作流能够准确地分割具有不同病理学的图像。我们的自适应分割工作流在总肝脏分割任务上与通用单一分 - 基于视觉基础模型的病理原始分割与零样本蒙版生成
通过对 SAM 进行自适应预训练图像编码器以进行基于检测的区域提议,我们的方法在病理学领域的两个基本分割任务中达到了与最先进模型相媲美的 F1 得分(细胞核检测)和二进制 / 多类别 panoptic(bPQ/mPQ)和掩模质量(dice) - 支持间接观察者眼动一致性的分裂检测 AI 训练
通过利用目光追踪技术收集医生的行为数据,这项研究探讨了一种成本效益高的方法来为人工智能训练收集高质量的医生标注,以用于病理学任务中有关有丝分裂检测的研究。
- PEPSI:病理学增强的脑 MRI 脉冲序列不变表示
提出了 PEPSI 方法,一种病理增强和脉冲序列不变的脑部 MRI 特征表示学习模型,它能够合成高分辨率的对比度参考图像和突出显示病变的图像,显示了其在图像合成和病变分割方面的出色能力。
- 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 - 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。
- 用于病理图像少样本分类的双通道原型网络
从少量示例中提取多尺度高精度病理特征,通过双通道原型网络实现少样本病理图像分类任务的准确性提升。
- 医疗系统规模下的计算病理学 -- 来自三十亿图像的自监督基础模型
最近在自我监督学习方面的突破已经实现了使用大规模无标签数据集来训练视觉基础模型,该模型可以推广到各种下游任务。本项目的目标是训练最大的学术基础模型,并通过在大型临床病理数据集上的预训练和下游性能评估来对最重要的自我监督学习算法进行基准测试。 - 探索增强放射学和病理学医学分割的 SAM 消融技术
医学影像在诊断和治疗规划中发挥着关键作用,尤其是放射学和病理学对精确的图像分割依赖很大。Segment Anything Model(SAM)作为一种有前景的框架,用于解决不同领域的分割挑战。本文深入探讨了 SAM,剖析了其基本组成部分,并 - 病理图像中用于癌症分级的重心感知特征校准
提出了一种能够以准确和稳健的方式进行癌症分级的重心感知特征校准网络,通过注意机制利用不同癌症等级的重心嵌入向量将输入的病理图像映射到嵌入空间并进行调整,然后使用重新校准的嵌入向量对输入的病理图像进行恰当的分类标签,实验证实该网络能够在不同环 - 病理实验室数字化:经验教训综述
本文总结了数字化病理实验室中数字工作流程的各个方面,包括数字案例管理、数字切片阅读和计算机辅助切片阅读方面带来的挑战及应对方法,旨在帮助病理学家、IT 决策者和管理人员从其他人的经验中受益,以最优方式实施数字化过程,使自己的实验室具有未来的 - AI 语言病理学者的崛起:探索二级提示学习用于少样本弱监督全切片图像分类
本文介绍了一种用于病理全幻灯片图像分类的 few-shot 弱监督学习方法,提出了基于 prompt learning 和大型语言模型 GPT-4 的解决方案。
- 探索共享内存体系结构的端到端千亿像素深度学习
尝试使用 M1 Ultra SoC 中的共享 GPU/CPU 内存体系结构来解决医学图像领域深度学习模型开发时 GPU 内存资源饱和的问题,通过一种修改后的 U-Net 模型,成功地对具有 10 亿像素的 WSIs 进行了 1 分钟和 21 - 病理图像诊断的跨尺度多实例学习
研究了一种新的跨尺度多实例学习算法,并将其应用于病理学影像诊断中,通过整合多尺度信息和跨尺度关系来提高诊断准确率。在内部和公共数据集上均表现出优异的性能。
- 自监督学习的高效医学图像评估
本研究提出了一种新颖有效的数据评估策略(EXAMINE 分数),通过自监督学习网络提取有用的潜在表示来排名非标记医学图像数据的质量,以便在成本高昂的标记过程中选择最有价值的数据,大大提高了数据标记的效率和准确性。
- ICLR重新思考病理学中机器学习模型的评估
该论文提出了一套实用的机器学习评估指南,旨在应对病理图像应用中存在的各种问题,包括标签变异性、领域偏移、鲁棒性和混淆变量等,以进一步改善患者结果。
- ICCV一种病理深度学习系统,能够利用皮肤病理学家共识作为基准来分类黑色素瘤样本
该研究介绍了一种病理深度学习系统 (PDLS),该系统可以对数码全幻灯片图像进行分类诊断,特别是在诊断黑色素瘤和良性黑色素细胞痣时表现出较高的敏感性与优异的性能,可以帮助病理医生明确合适的病理检查先后顺序,缩短患者等待诊治时间,最终改善患者