罗小罗同学的博客

文章提出的HoVer-Net，用于多组织组织学图像中细胞核的同时分割与分类，有效解决了传统方法面临的难题，推动了医学图像分析领域的发展。

这个转换工具通过命令行界面（CLI）使用，主要功能是将 Olympus 细胞成像系统生成的VSI格式图像文件转换为通用的TIFF格式图像文件。最近星球里和交流群里，都有人提到vsi格式的转换问题，那么这期推文就介绍一个大概率可行的方法。为什么叫大概率可行呢？因为我用公开数据集测试是没有问题的，但是用星球用户的私有数据集时会卡住，无法筛选生成最后的tif文件，只有各层的文件。上图所示，是我挑选的palne12对应的tif，使用openslide打开后的缩略图。

这段代码定义了一个自定义的数据集类，并使用该类创建了训练集和验证集的数据集对象，同时利用DataLoader对这两个数据集进行封装，以实现批量数据加载。更多内容，请见同名公众号/知识星球。

本期教程使用的是4种天气图片数据集，名为“Multi - class Weather Dataset for Image Classification”。该数据集涵盖了4种不同的天气情况，分别是日出（sunrise）、晴天（shine）、阴天（cloudy）以及雨天（rain）。所有的图片都统一放置在名为“dataset2”的文件夹当中，并且每张图片的文件名称都清晰标注了其所属的天气类别，通过文件名就可以直接判断出该图片对应的天气类型。PS：数据集链接和源代码我会放在文末，大家付费阅读后即可获取数据！

原始类别 ID原始类别名称合并后类别名称合并后 ID (论文)1other1223epithelial34epithelial35fibroblast46muscle474。

前两天知识星球的服务器出了点问题，导致部分用户的提问无法回答，所以今天才开始陆续处理前几天堆积的问题。星球里有一个用户提出了一个问题，这个问题之前交流群也有人提出过，这次再次有人提出，我就想着写一段代码解决一下。首先声明，。我们先看一下预期效果——。根据我的理解，存在这个问题的人，首先是通过imagescop打开了手里的切片，发现有一个标签。但是，后续，现在想要通过代码批量提取这个标签。我为了节约调试时间，就用了三张切片做了一个测试，连带标签和方法倍率一起节选出来了。

文章提出了一种基于转录组学引导的切片表示学习框架TANGLE，利用基因表达数据辅助学习全切片图像（WSI）的切片嵌入，在多下游任务中表现优异，为计算病理学研究提供了新方向。研究背景：自监督学习（SSL）在计算病理学中用于处理千兆像素的全切片图像时存在挑战，如构建切片“视图”计算成本高、学习视觉原语和不变性不明确、切片内异质性导致训练信号不一致等。受多模态视觉语言模型启发，研究团队利用基因表达数据指导切片表示学习。相关工作。

一直在往前走，很久没有回顾走过的路了，所以这一期推送和大家聊一下我这段时间分享的一些内容。大概也是从去年的这个时候，开始持续输出医学AI的相关的内容，主要是以病理AI为主，偶尔会分享一些影像组学和基因组学的内容。做自媒体的初衷，只是想记录一下自己的学习经历和过程，顺手分享给有需要的人，并没有特别功利的想法。即便现在会偶尔接接推广，但是也不会在交流群内发广告。为了怕大家误以为我是机构，我特意在公众号的主页做了介绍。承蒙各位老师和师兄师姐的喜欢，才让“罗小罗同学”这个IP让越来越多的人了解到。

今天这期推送和大家系统梳理一下【影像组学】领域的【51个】重要公开数据集。数据集覆盖肝脏、肺、脑、乳腺等多个器官，涉及肿瘤、心血管疾病、先天性疾病等多种病理类型，并囊括CT、MRI、X光、超声等多样化影像模态，例如肝肿瘤分割基准数据集LiTS、肺结节检测经典数据LUNA16，以及脑肿瘤分割核心BRATS系列，可支持算法开发、临床转化及跨学科研究。

TCGA 是一个全面的癌症基因组学数据库，包含了多种癌症类型的基因组、转录组、蛋白质组等多维度数据。这些数据来自大量患者样本，为癌症的分子机制研究、生物标志物发现以及个性化医疗提供了丰富的资源。研究人员可以通过 TCGA 数据了解癌症的遗传变异、基因表达调控、蛋白质合成等多方面信息，进而深入探究癌症的发生、发展和转移机制。

方便大家选择适合自己的投稿期刊。表格速览这份表格汇总了医学、生物学、计算机科学等领域的1区期刊，涵盖肿瘤学、神经科学、胃肠肝病学、人工智能（AI）等多个细分方向。其中，

如果你近期也在准备论文投稿，但是不清楚哪些期刊合适，或者已经投稿，但是被拒，不知道下一步应该选哪个期刊，那我建议你阅读一下这篇推送。我从pubmed进行了一次系统的医学AI文献检索，筛选了40余个比较青睐交叉学科投稿的期刊，汇总了一个表格。数据以医学大类为主导（占比超60%），涉及肿瘤学、病理学、免疫学等子领域；

SMILE 是一个基于 PyTorch 实现的成本敏感多任务学习模型，用于解决核实例分割与分类中的标注不平衡问题。核心功能: 支持在 CoNSeP 和 MoNuSAC 数据集上进行核分割与分类。模型权重: 提供预训练权重（通过 Google Drive 链接获取）。关键特性: 多任务学习框架、动态损失权重调整、兼容 QuPath 的输出格式。全称：Colorectal Nuclear Segmentation and Phenotypes领域：医学图像分析（病理学）

…篇幅有限，所以这篇推送我只介绍了如何本地化部署deepseek，后续如果我发现更有意思的应用，再分享给大家！知识星球如需获取推文中提及的各种资料，欢迎加入我的知识星球！

最近医学AI领域重磅消息频发，今天华为更是联合瑞金医院举办了病理大模型的发布会，再度将医学AI的热度拉升。研究过病理AI的一定清楚，最开始的阶段都很难度过——数据的预处理。从收集数据开始，很多人会面临一个非常棘手的问题——。知识星球如需获取推文中提及的各种资料，欢迎加入我的知识星球！

未来的医院里，和你打交道的可能是个24小时在线的AI全科医生！在新冠疫情与人口老龄化的双重驱动下，医疗AI需求呈现高速增长态势。全球医疗健康行业受疫情影响进入变革期，人口老龄化加剧了慢性病和老年疾病的医疗需求，而AI技术在早期诊断和健康管理方面具备显著优势，能够有效满足这些需求。，如Data Bridge Market Research预测，Market.us。众多科技巨头如，进一步推动了行业发展。报告对医疗AI重点公司进行了全面梳理。

这篇文章应运而生，提出了TRIPOD-LLM报告指南，致力于填补这一空白。文章详细阐述了TRIPOD-LLM的制定背景、具体内容与重要意义。它是基于TRIPOD + AI声明扩展而来，通过加速德尔菲法和专家共识制定。

熟读唐诗三百首，不会写诗也会吟，写公众号至今，累计和大家分享过数百篇顶级期刊的文献了。在大量阅读文献、动手实操以及和众多大佬交流之后，我琢磨出了一个PPDC原则。第一个P代表Paper，我们对某一个课题方向感兴趣，那么第一件要做的事就是去广泛的阅读文献，尽可能全的搜集文献；此外，Paper还有一层意思，那就是文章对应的期刊，也就是说你一开始就要想好发表什么层次的期刊。所以，我会在今天的推文中介绍，比较欢迎医工交叉类文章投稿的一二三四区期刊，并且附上大区和小区，方便大家查找最适合自己投稿的期刊。第二个P代表P

近期deepseek的热度居高不下，上一篇推送介绍了deepseek在科研工作中的应用场景，这一篇推送衍生一下，介绍如何利用deepseek来辅助我们制作高质量的PPT。PPT基本是文字和图片的组合，再高级一点可以加入动画或者gif图，这不在本期推送的介绍范围内。下面这张图展示了本期推送涉及的所有AI生成的图片，要想获得最好的效果，我们还是需要。总的来说，目前大模型生成的东西很多已经可以直接拿来用了，我们要做的是。

并且我们是可以通过大模型直接生成Latex代码的，大家如果感兴趣的话，后续我也可以找时间出一期推送，介绍一下如果彻底打通这个写作流程。最后，大家在使用各种大模型时，

之前出过两期医工交叉领域合作信息的汇总推送，最近一直没顾上这事，现在重新捡起来，并且。截至目前为止，共收集了92条合作信息，以下图的表格方式呈现给大家。为了尽量避免大家被打扰，！大家可以先看看表格里的描述，挑选适合自己的合作对象。！同时，也，哈哈！知识星球如需获取推文中提及的各种资料，欢迎加入我的知识星球！

文章提出了一种基于强化学习的框架，用于从乳房超声视频中自动提取关键帧，以辅助医生进行诊断。该框架通过结合检测模块和奖励机制，能够有效筛选关键帧，提高诊断准确性。研究背景乳腺癌筛查的重要性：乳腺癌是全球常见癌症，早期诊断对治疗和生存率至关重要，超声在乳腺癌诊断中具有重要作用，尤其是对致密型乳腺。关键帧提取的必要性：超声检查中准确识别和诊断病变需要专业知识，现有计算机辅助诊断工具常忽视关键帧选择，且病变在扫描中形状、大小和位置多变，其诊断特征识别具有挑战性且面临类别不平衡问题。研究方法。

—所以这期推送。

方便大家选择适合自己的投稿期刊。由于公众号的排版原因，我只能把【期刊名】和【大类】展示给大家，如下图所示的表格，请大家移步知识星球获取。PS：手动整理，可能有少数重复的现象，敬请谅解！42个接受医工交叉领域投稿的【二三四区】期刊汇总｜个人观点·24-11-14我会。

2024年即将过去，跟着小罗同学一起来从宏观层面简单分析一下整个领域目前的一个进展吧。，我们详细了解一下不同领域的应用情况，对于我们选择课题是极为有帮助的，尤其是！经过在pubmed粗略检索，得到了下面一些有趣的信息，和大家一起分享。首先看一下，数量最多的是乳腺癌（6347项），数量最少的是子宫内膜癌（200项）。再来看一下，会发现图像分类与识别是涉及的最多的（67349项），生成模型是涉及的最少的（784项）。我们需要。

转移是指癌细胞离开原发灶向外扩散继续生长的过程，是重要的癌症分期和预后因子。转移风险高的原发肿瘤形态的高度异质性体现在不同尺度、多模态的数据中。本项目拟融合乳腺癌放射和病理组学的亚视觉特征，通过回顾性分析不同转移状态下两种模态数据的相互作用和关联，构建定量的转移风险预测模型。针对乳腺原发灶构建动态增强核磁共振图像自动的四维分割模型，分割肿瘤区域;分割全扫描病理图像的癌变区域，上皮和间质组织及瘤细胞。根据分割结果核磁共振图像肿瘤区域提取二维和三维形态和纹理特征，以及药代动力学等放射组学特征;

我会按照四个季度划分，并在每个季度挑选三篇最高分的文章推荐给大家，和大家。

一个生物体的完整DNA序列，包含所有遗传信息，被称为基因组。基因组包含构建和维护生物体的所有信息。基因组的大小和结构各不相同。我们的基因组不仅仅是裸露的DNA链。在真核细胞中，DNA围绕蛋白质（组蛋白）缠绕，形成更高级的结构，如核小体，构成染色质和染色体（见图1.1）。DNA in double-helix form（DNA双螺旋形式）DNA的基本结构是双螺旋，由两条互补的链组成，通过碱基对（A-T和C-G）连接。图片中显示了DNA的双螺旋结构，并且标注了一段碱基序列：AGTCCT和TCAGGA。

图像增强中的数据扭曲方法最早应用于LeNet-5网络中，用于手写数字分类。自2014年生成对抗网络（GANs）的引入，2015年的神经风格迁移，以及2017年的神经架构搜索（NAS）以来，各种GAN扩展如DCGANs、CycleGANs和渐进式增长GANs等相继发表。神经风格迁移在2016年由Johnson等人通过感知损失的发展得到加速。

前面介绍了病理+单细胞的总体论文发表情况，这一部分再来盘一下这一领域的综述发表情况（所以上一个表格会包含这一个表格的内容）。之前的推文中主要介绍的都是病理组学的内容，所以大部分同学/老师对于机器学习在基因组学中的应用应该都比较陌生，所谓我也。关于病理组学的内容，我更多推荐的都是一些顶刊，书籍的话想对较少，不过经过我的一番努力，也找到了三本，其中。同样的，上述三本书的pdf版本我也会上传到知识星球的【入门书籍】专栏，感兴趣的可以前往获取！病理与单细胞的结合，时常出现在今年的各大顶刊中。

利用VS Code辅助我们编程，可以极大的提升我们的工作效率，因为。

前几天分享了如何通过文献检索来查找病理组学的公开数据集，今天这篇推送分享一下——。先来看看这75篇文献的分区信息。再看一下发表时间。

上个月分享过影像组学和病理组学领域的公开数据集，不过那批数据是从已发表的文献中提取的。这两天我在查文献的时候，发现了另外一种查找公开数据集的方式——。首先采用上面提到的方法进行文献检索，然后经过筛选，。再来看一下文献发表的时间，我们可以很清楚的看到。再来看一个我们最关心的问题——**这些数据我能不能用？**这里考虑到篇幅原因，我只展示一部分，完整版数据请见表格。在本期推文中我会，分享我是的。获取方式。

探讨了Transformer模型的可解释性，包括模型特质、影响可解释性的相关领域、解释方法的分类，以及在电子健康记录系统中使用Transformer的案例研究。：探讨了多语言Transformer模型，包括基本的多语言Transformer、单编码器和双编码器多语言NLU模型，以及多语言数据和基准测试。：分析了对标准Transformer架构进行的修改，包括轻量级Transformer、多头自注意力的修改、训练任务效率的改进等。：讨论了预训练模型在文本处理、计算机视觉、自动语音识别和多模态任务中的应用。

这一期推文是人工智能方向博后招聘信息汇总推文的第一期，周六分享全奖博士申请信息，周日分享博后招聘，基本就覆盖学生时代的需求了。另外，如果有老师需要招收学生，也可以单独联系我，把你的需求和个人背景提交给我，我给你整理为推文，然后发布。如果有学生想毛遂自荐，那么我也很欢迎，毕竟我的推文，也有很多教授在看，说不定哪天就挑中你了呢，哈哈。本期招聘高校/研究所名单。

昨天发了一份问卷，征集了一下群友们目前关于科研方面的需求。对昨天问卷结果做了一个简单的统计，先展示一下大家普遍关注的问题。需要工科分析数据排在最前面我是不意外的，但是没想到，，这对于课题组缺乏人手的老师来说，是一个利好消息。此外，我也想借此推文号召更多的人填写问卷，无论你是想要，都可以填写表格，因为只有填写的人越多，这份问卷的作用才能越大，后续我才能更新迭代出更好用的产品！加入我们channel=gzh 邀请你填写表单 《【意向征集】课题合作+本硕博招生&联培+科研招聘》

休息的时候刷到一篇关于博后的面上资助推送，昨天在和一位老师交流的时候，正好聊到了跟博后相关的一些事，所以借此机会，先做一些了解和准备。完整表格内容过多，无法一一展现，所以我只会做一些大致的分析，完整版表格请移步知识星球获取。

多实例学习》这本书由Francisco Herrera、Sebastián Ventura、Rafael Bello、Chris Cornelis、Amelia Zafra和Dánel Sánchez-Tarragó Sarah Vluymans共同撰写，涵盖了多实例学习（MIL）的理论基础、算法和应用。MIL是一种机器学习范式，它处理的数据集比传统数据集更复杂，其中对象被表示为特征向量集合或“袋子”。这种表示方式在某些问题上比传统机器学习中的单个特征向量表示更为自然和合适。基础知识介绍。

同样，由于公众号的排版限制，如下图所示的表格，我会以图片的形式分享到知识星球，有兴趣的可以支持一下小罗！同时，为了方便大家快速查阅所有期刊，我把介绍一区期刊的推文链接放在下面。

方便大家选择适合自己的投稿期刊。这期推文先分享大类属于一区的期刊。