全癌症组织病理学WSI预训练与位置感知面具自动编码器
IEEE transactions on medical imaging
|March 3, 2025
概括
本研究引入了一种新的自主监督学习框架,PAMA,用于整个幻灯片图像 (WSI) 分析. PAMA有效地学习了WSI级别的功能,用于胰腺癌分类,优于现有的方法.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能
- 数字病理学数字病理学
背景情况:
- 大规模的预训练模型已经进行了先进的组织病理学图像分析.
- 当前的自我监督方法通常集中在补丁级特征上,忽视了整个幻灯片图像 (WSI) 级别的表示学习.
研究的目的:
- 开发一种新的自我监督的学习框架,用于癌WSI级别代表性的预培训.
- 为了弥补WSI级特征学习的缺口,用于组织病理学图像.
主要方法:
- 为自我监督学习提出了一个位置感知面具自动编码器 (PAMA).
- 引入了位置感知交叉注意 (PACA) 模块与内核重定向 (KRO) 和掉落 (AD).
- KRO捕获了完整的语义结构并减少了模糊性;AD增强了模型的稳定性和概括性.
主要成果:
- 评估了7个大型多器官数据集的PAMA,用于胰腺癌分类.
- 证明了PAMA在歧视性WSI表示学习中的有效性和通用性.
- 在比较实验中,PAMA的表现优于其他8种WSI分析方法.
结论:
- 帕马为胰腺癌WSI预训提供了一种卓越的方法.
- 该框架有效地学习了WSI级别的歧视性特征.
- 拟议的方法显示了推进计算病理学的巨大潜力.
更多相关视频
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
3.6K
07:32Author Spotlight: Investigating Immune Cell Dynamics in the Tumor Microenvironment — Challenges and Innovations in Cancer Prognosis
Published on: April 12, 2024
1.2K
