whole slide image | BriefGPT

关键词whole slide image

搜索结果 - 19

SCMIL: 稀疏上下文感知多实例学习用于预测全切片图像中的癌症生存概率分布
通过稀疏上下文感知多实例学习框架，我们预测癌症存活概率分布，创新地将 WSI 的补丁根据形态特征和空间位置信息进行聚类，借助稀疏自注意力确定这些补丁之间的关系，使用可学习的补丁过滤模块 SoftFilter 仅考虑与任务相关的补丁之间的相互
PDF4 days ago
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
PDF2 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
组织基因知识蒸馏用于癌症预后从组织病理学全扫描图像
G-HANet 是一种新颖的基于基因组知识提炼的超级关注网络，通过对 WSI 图像进行基因组数据重构，实现了来自组织病理学和基因组学角度的病人超级关注建模，以改善癌症预后。
PDF4 months ago
利用掩码上下文建模和知识蒸馏来微调多实例学习特征提取器
通过使用遮蔽上下文建模与知识蒸馏的方法，对特征提取器模型进行微调，可以显著提高多示例学习中整个切片图像分类的性能。
PDF4 months ago
利用全扫描图像进行自动诊断的组织伪影分割与严重程度分析
提出了一种利用卷积神经网络的系统，结合了严重程度评估与伪影检测，通过使用 DoubleUNet 对伪影进行分割以及六个微调后的卷积神经网络模型来确定伪影的严重程度，该方法在伪影分割方面的准确性较当前技术领先水平提高了 9%，在伪影的严重程度
PDF6 months ago
SI-MIL: 驯服千兆像素组织病理学中深度无监督学习的自解释性
为了提高对 Whole Slide Image（WSI）分析中多实例学习（MIL）方法的解释性和推理能力，我们提出了一种自解释的 MIL 方法（SI-MIL），它通过深度 MIL 框架引导一个基于手工制作的病理特征的可解释分支，从而实现线性
PDF6 months ago
重新考虑多实例学习在全幻灯片图像分类中的应用：以袋层分类器为佳的实例级导师
通过引入背包级别的分类器，我们设计了迭代耦合的多实例学习（ICMIL）来解决高计算成本的问题，并通过教师 - 学生框架提高细分嵌入
PDF7 months ago
Long-MIL: 面向组织病理学全切片图像分析的长上下文多实例学习的扩展
本文提出了一种改良位置嵌入的长上下文 WSI 方法，通过引入线性偏差来处理形状变化的大 WSI，并将其从 1 维长序列适应到 2 维长上下文 WSI 中，用于模型对未见或欠拟合位置的外推；同时利用闪存注意力模块解决 Transformer
PDF7 months ago
专注挑战多实例学习用于整张幻灯片图像分类
多案例学习方法在整张幻灯片图像分析中仍然存在过拟合的挑战。本文提出了一种名为 ACMIL 的注意力挑战式多案例学习方法，旨在更好地捕捉有挑战性的预测实例，并通过三个 WSI 数据集的评估证明了其优越性。通过热图可视化、UMAP 可视化和注意
PDF8 months ago
深度学习基于开源工具包的儿童嗜酸性粒细胞性食管炎嗜酸性粒细胞检测
该研究开发了一个名为 Open-EoE 的开源工具包，能够通过 Docker 进行端到端全幻灯片图像级别嗜酸粒细胞检测，支持三种最先进的基于深度学习的目标检测模型，并通过集成学习策略进一步优化性能，提高结果的精确度和可靠性。实验结果表明，O
PDFa year ago
基于动态多元嵌入的肿瘤分类双查询多示例学习
提出了一种新颖的基于嵌入的双查询多示例学习（DQ-MIL）流水线，使用动态元嵌入方法并将 MIL-attention 与相关自我关注相结合，该方法在三个组织学数据集中实现了较高的性能。
PDFa year ago
多尺度原型变形器用于整张组织切片图像分类
本文提出了一种基于多尺度原型 Transformer（MSPT）的 WSI 分类方法，通过使用原型 Transformer 和多尺度特征融合模块（MFFM）有效缓解正负样本不平衡与多尺度信息融合问题，实验结果表明其性能超过了其他算法。
PDFa year ago
基于 Transformer 的多层多实例学习用于全切片图像分类
提出了一种多层多实例学习与 Transformer 相结合的方法，能有效处理大量实例的 MIL 任务，并在 WSI 图像分类任务上展示出优秀的性能。
PDFa year ago
AAAIMulGT: 多任务图 Transformer，在全切片图像分析中注入任务感知知识并驱动领域知识汇聚
该研究设计了一种新的多任务学习框架，结合了图转换器、任务感知知识注入和领域知识驱动的图池化模块，用于病理学家在对多个诊断任务进行实际临床诊断时的 WSI 分析。该框架的实验结果表明，相较于基于单任务的方法以及现有的技术，能够有效的提升诊断的
PDFa year ago
如病理医师一般诊断：变形金刚启用的分层注意力引导多示例学习用于全切片图像分类
提出了一个全局利用 WSI 的 Hierarchical Attention-Guided Multiple Instance Learning 框架，该框架动态地、全面地发现了 WSIs 的多个分辨率上的显著区域，同时使用 Integra
PDFa year ago
CVPR自监督对比学习的双流多示例学习网络用于全切片图像分类
本论文提出了一种基于 MIL 的方法，用于全幻灯片图像（WSI）分类和肿瘤检测，无需局部注释，并提出了自我监督对比学习及金字塔融合机制，从而提高分类和定位的准确性。
PDF4 years ago
CVPR多尺度领域对抗多实例 CNN 用于未注释组织病理学图像癌症亚型分类
本文提出了一种利用深度学习中的多例、领域对抗和多尺度学习框架，从组织病理学图像中识别癌症亚型的新方法，并在 196 个病例中测试，表明该方法比标准 CNN 或传统方法更准确，且与标准病理学家的准确性相当。
PDF4 years ago
用于多标记全切片组织病理学图像的补丁变换器
提出了一种利用 Patch Transformer 来进行多标签预测的深度神经网络模型，可以从组织病理学切片图像中有效地预测多个幻灯片级标签，并通过大量实验证明了该模型的有效性。
PDF5 years ago