Topology-Guided Multi-Class Cell Context Generation for Digital Pathology
Topology-Guided Multi-Class Cell Context Generation for Digital Pathology
复制标题
用于数字病理学的拓扑引导多类细胞上下文生成
DOI：
10.1109/cvpr52729.2023.00324
复制
发表时间：
2023
期刊：
影响因子：
--
通讯作者：
Chen, Chao
中科院分区：
文献类型：
--
作者：
Abousamra, Shahira;Gupta, Rajarsi;Kurc, Tahsin;Samaras, Dimitris;Saltz, Joel;Chen, Chao
在数字病理学中，细胞的空间背景对于细胞分类、癌症诊断和预后非常重要。然而，对如此复杂的细胞环境进行建模是具有挑战性的。细胞形成不同的混合物、谱系、簇和孔。为了以一种可学习的方式对这种结构模式进行建模，我们从空间统计和拓扑数据分析中引入了几种数学工具。我们将这种结构描述符作为条件输入和可微损失纳入深度生成模型。通过这种方式，我们能够首次生成高质量的多类单元布局。我们表明，拓扑丰富的单元格布局可用于数据增强，并提高下游任务，如单元格分类的性能。
In digital pathology, the spatial context of cells is important for cell classification, cancer diagnosis and prognosis. To model such complex cell context, however, is challenging. Cells form different mixtures, lineages, clusters and holes. To model such structural patterns in a learnable fashion, we introduce several mathematical tools from spatial statistics and topological data analysis. We incorporate such structural descriptors into a deep generative model as both conditional inputs and a differentiable loss. This way, we are able to generate high quality multi-class cell layouts for the first time. We show that the topology-rich cell layouts can be used for data augmentation and improve the performance of downstream tasks such as cell classification.
登录
查看更多内容
从细胞核检测到组织病理学图像分类的迁移学习
DOI：
--
发表时间：
2019
期刊：
bioRxiv
影响因子：
--
作者：
Safoora Yousefi;Yao Nie
通讯作者：
Yao Nie
DOI：
10.1016/j.juro.2009.08.026
发表时间：
2009-12
期刊：
The Journal of urology
影响因子：
--
作者：
Wright JL;Salinas CA;Lin DW;Kolb S;Koopmeiners J;Feng Z;Stanford JL
通讯作者：
Stanford JL
影响因子：
8.8
作者：
Saltz J;Gupta R;Hou L;Kurc T;Singh P;Nguyen V;Samaras D;Shroyer KR;Zhao T;Batiste R;Van Arnam J;Cancer Genome Atlas Research Network;Shmulevich I;Rao AUK;Lazar AJ;Sharma A;Thorsson V
通讯作者：
Thorsson V
DOI：
10.1109/isbi53787.2023.10230507
发表时间：
2022-09
期刊：
2023 IEEE 20th International Symposium on Biomedical Imaging (ISBI)
影响因子：
--
作者：
Haotian Wang;Min Xian;Aleksandar Vakanski;Bryar Shareef
通讯作者：
Haotian Wang;Min Xian;Aleksandar Vakanski;Bryar Shareef
使用组织病理学图像中的点注释进行弱监督深部细胞核分割
DOI：
--
发表时间：
2019
期刊：
Proceedings of Machine Learning Research
影响因子：
--
作者：
Wu, P.;Huang, Q.;Yi, J.;Riedlinger, G. M.;De, S.;Metaxas, D.
通讯作者：
Metaxas, D.