.png){kind=icon}
返回
Trusted multi-scale classification framework for whole slide image
.png){kind=icon}
OA
AI
DOI：10.1016/j.bspc.2023.105790.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管付出了巨大的努力，但千兆像素全幻灯片图像 (WSIs) 的分类受到有限的计算资源或不同规模的知识利用不足的严重限制。此外，先前的尝试通常缺乏估计不同尺度的不确定性的能力。通常，病理学家以不同的放大倍数联合分析WSIs，在不确定时反复改变放大倍数以发现各种组织特征。受此诊断过程的启发，我们为WSIs提出了一个可信的多尺度分类框架。使用视觉转换器作为多分支的骨干，我们的框架对联合分类进行建模，估计显微镜每个放大率的不确定性，并整合来自不同放大率的证据。此外，我们提出了一种新颖的补丁选择方案，该方案使用注意力推出和非最大抑制来利用WSIs的判别补丁并减少计算需求。为了实证研究我们方法的有效性，我们在两个WSI分类基准数据库上进行了实验。结果表明，与最先进的方法相比，我们的可信框架显着提高了WSI分类性能。
Keyword:
Histopathological images analysis
Whole slide images
Trusted multi-scale classification
Uncertainty estimation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.9
论文数:
9.9K
被引数:
2.4W
机构
引用论文
分享收藏Clinical-grade computational pathology using weakly supervised deep learning on whole slide images在整个幻灯片图像上使用弱监督深度学习的临床级计算病理学.png)
NATURE MEDICINEOAAI
NATURE MEDICINEIF50
OAAI分享收藏Data-efficient and weakly supervised computational pathology on whole-slide images全载玻片图像上的数据高效和弱监督计算病理学OAAI
OAAI分享收藏N-acetyl-beta-D-glucosaminidase activity within BAL from macaques exposed to generic coal dustsLung
LungIF0
PREAI
分享收藏Multiple instance learning: A survey of problem characteristics and applications多实例学习: 问题特征与应用综述PATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容