PulseAugur
中
实时 20:48:11

Vision-Language Models Achieve Zero-Annotation Histopathology Segmentation

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新方法，使用视觉语言模型（VLMs）在不要求手动注释的情况下对组织病理学图像进行前景分割。该方法将组织与背景的区分视为一项通用视觉感知任务，使得在广泛数据集上训练的VLMs比特定领域模型具有更好的泛化能力，尤其是在特殊染色方面。提出的框架引入了Leica-75基准，并展示了高质量的分割效果和降低的跨染色方差，少样本提示进一步提高了在挑战性案例上的性能。 AI

影响 这项研究展示了VLMs的一个新颖应用，有可能简化计算病理学工作流程并减少对手动注释的依赖。

排序理由 该集群描述了一篇发表在arXiv上的研究论文，该论文详细介绍了一种使用视觉语言模型进行图像分割的新方法。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

Vision-Language Models Achieve Zero-Annotation Histopathology Segmentation

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Vishal Jain, Giorgio Buzzanca, Sarah Cechnicka, Maarten Naesens, Priyanka Koshy, Tri Nguyen, Jesper Kers, Candice Roufosse, Bernhard Kainz ·

    Vision-Language Models as Zero-Annotation Oracles in Histopathology

    arXiv:2606.16658v1 Announce Type: new Abstract: Foreground segmentation is the critical first step of every computational pathology pipeline, yet existing methods rely on hand-tuned heuristics or supervised models that overfit to narrow stain and scanner distributions, failing si…

  2. arXiv cs.CV TIER_1 English(EN) · Bernhard Kainz ·

    Vision-Language Models as Zero-Annotation Oracles in Histopathology

    Foreground segmentation is the critical first step of every computational pathology pipeline, yet existing methods rely on hand-tuned heuristics or supervised models that overfit to narrow stain and scanner distributions, failing silently on specialised stains such as Jones silve…

相关实体

相关话题