- 博客(6)
- 资源 (2)
- 收藏
- 关注
原创 Digital pathology
十年来,AI在病理学的应用取得了显著的进步。然而,目前我们离AI在病理学中的日常应用相距甚远。扫描和存储全幅病理图像就目前的技术而言已经不存在困难,然而对于AI的应用的研究还停留在基础阶段,仍没有形成统一的框架。在过去的十年中,机器学习在全幅病理图像的应用中取得了进步,因此AI也被称为继免疫组化和下一代基因测序之后,在病理学中的第三次革命。当我们来对比AI在病理学中的发展和其在自动驾驶汽车领域的发展,我们可以看到从1950s第一台具有自适应导航控制的汽车到现在自动驾驶汽车的出现经历了很长时间,但是自动驾
2021-07-18 22:26:15
213
原创 PyDenseCRF 包的安装与使用(1)
很多研究都使用了Conditional Random Field (CRF) 作为图像分割的后处理手段,在这里写一下PyDenseCRF包的安装和使用。我使用的系统是ubuntu 16.4, 没有使用Anaconda进行Python版本管理。在Ubuntu 16.4环境下,首先,安装 cython, 使用:(sudo)pip install cython然后,安装 Pydensecrf, 使用:(sudo)pip install pydensecrf如果你想安装最新鲜的Pydens...
2021-03-07 13:26:59
2410
原创 对于机器学习,可使用的被标记病理图片数量少,怎么办?
将机器学习应用在病理图片分析上的问题之一就是可以使用的训练数据量较小。大部分的数据都是病例级的标记,然而机器学习多需要的是像素级标记。如果说普通的自然图片可以通过互联网互助分享模式进行标记,从而具有大量的数据源。对于病理图片来说,只有专业的病理学家可以进行标注,而且标注的复杂度可见一斑。虽然目前有众多的自然图片和可以使用的一些病理图片,我们可以应用迁移学习使用这些图片进行与训练。但是当分析目的不同,图片的染色方式不同,图片的取景倍数和图片分辨率不同,这种预训练的效果对最终目标的帮助将打折扣。面对数据规模
2020-10-02 22:12:17
350
原创 机器学习(Machine learning)在数字病理学中(Digital Pathology)的应用。
机器学习在数字病理学中最活跃的应用就是计算机辅助诊断(Computer-assisted diagnosis(CAD))。由于机器学习系统对于分类问题具有较高的准确率,其效率相对人工分析具有优势,同时对于病理图片中的变量的理解可以得到一种标准化的答案,CAD系统具有显著的优势。除了分类问题,CAD系统在检测和分割感兴趣区域(ROI)的任务中也有广泛应用,包括在全幅病理图像(Whole slide image(WSI))中检测癌症区域,癌症分级,染色体检测,腺体分割等。机器学习还应用于基于内容的图片检索(
2020-09-30 22:14:52
975
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人