Histopathology
PulseAugur coverage of Histopathology — every cluster mentioning Histopathology across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新的主动学习框架大幅降低组织病理学标注成本
研究人员开发了SHAL（Slide-level Hybrid Active Learning），一个新颖的框架，旨在显著降低组织病理学图像分割深度学习模型的标注负担。这种患者级别的（patient-level）方法通过改进不确定性估计、与切片级别（slide-level）标注工作流程保持一致，并显式管理类别不平衡，来解决现有主动学习方法的局限性。SHAL集成了前景感知（foreground-aware）、阶段自适应（stage-ada…
-
TCLA方法在无需训练的情况下增强了医学视觉语言模型
研究人员开发了TCLA，一种无需额外训练即可适配医学视觉语言模型（VLMs）的新颖方法。该方法使用少量支持样本来校正推理logit，通过减少类别偏差和域偏移来提高在分布外数据上的性能。TCLA已在各种医学成像模态中展示出持续的改进，通常优于现有的基于训练的适配技术。
-
AI利用新发异常检测技术检测临床前组织病理学中的毒性
研究人员开发了一个AI框架，利用全切片图像检测临床前组织病理学中的毒性。该系统可以识别健康组织、已知病理，并标记出具有新发异常的样本。通过使用低秩自适应微调Vision Transformer并采用马氏距离进行异常检测，该方法旨在提高药物开发中毒性评估的效率和规模。
-
新AI框架跨模态提升医学图像异常检测能力
研究人员开发了一种新颖的、无需训练的医学图像异常检测框架，该框架可应用于各种成像模态，而无需特定于模态的架构或重新训练。该方法在最近的一篇arXiv论文中有所详述，在特征提取后插入一个流形精炼阶段，以增强正常样本和异常样本之间的区分度。通过将嵌入引导至局部密集区域，该方法压缩正常数据，在进行高斯密度估计和基于马氏距离的评分之前有效地分离异常。该框架在MedIAnomaly基准的七个数据集和五种成像类型上进行了测试，表现出色，在四个数据…
-
新的CADRE框架增强了医学视觉语言模型的安全适应性
研究人员开发了CADRE，一种用于高效安全地适应医学视觉语言模型（VLMs）的新框架。该方法侧重于防止灾难性遗忘和先验漂移，这对于临床应用至关重要。CADRE结合了低秩适应（LoRA）与新颖的弹性权重巩固项和锚点到先验的惩罚。在乳腺癌检测的组织病理学、超声和胸部放射学测试中，CADRE与现有方法相比显著减少了遗忘并提高了准确性。
-
Vision-Language Models Achieve Zero-Annotation Histopathology Segmentation
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。
-
DualGate-Net 通过自适应先验改进组织病理学细胞检测
研究人员开发了 DualGate-Net，一种用于检测组织病理学图像中细胞的新型框架。该系统采用双编码器方法，结合局部和全局编码器以及可学习的先验门控融合机制，以自适应地整合组织上下文。在 OCELOT 基准上的实验显示性能有所提高，在验证集上的宏 F1 分数为 0.7722，在测试集上的宏 F1 分数为 0.7345。
-
STREAM框架使用黎曼流匹配增强组织病理图像生成
研究人员开发了STREAM，一种用于生成合成组织病理图像的新颖框架。该方法通过使用预训练的视觉基础模型作为潜在空间本身，解决了现有模型中出现的“条件崩溃”问题。STREAM将黎曼流匹配应用于这些特征的超球面，并结合独特的各向异性解码器来提高图像质量和多样性。该框架在乳腺癌和结直肠癌数据集上展示了最先进的性能。
-
新方法提升病理学AI诊断能力
研究人员开发了一种名为几何感知不确定性核集（Geometry-Aware Uncertainty Coresets, GAUC）的新方法，以提高病理学视觉上下文学习的可靠性。这种无需训练的方法在不更新参数的情况下优化了用于条件化视觉语言模型的示例数据的选择。GAUC旨在通过考虑分布保真度、有效互信息和预测方差来提高准确性、校准性和对提示变化的鲁棒性。
-
新方法使用序数学习改进医学分割模型校准
研究人员开发了一种新方法，用于改进医学图像分割模型的校准，特别是在多个专家标注显示出显著分歧时。该方法将多评分者监督重新构建为序数学习问题，将体素级别的评分者一致性视为有序目标。这使得模型置信度能够更好地反映训练数据中的经验变异性，从而在不牺牲分割准确性的情况下提高校准效果。