Buchumschlag

Unsupervised Foundation Model-Agnostic Slide-Level Representation Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lenz, Tim, Neidlinger, Peter, Ligero, Marta, Wölflein, Georg, van Treeck, Marko, Kather, Jakob Nikolas
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Abnormality-Driven Representation Learning for Radiology Imaging
von: Ligero, Marta, et al.
Veröffentlicht: (2024)

Joint multi-task learning improves weakly-supervised biomarker prediction in computational pathology
von: Nahhas, Omar S. M. El, et al.
Veröffentlicht: (2024)

Reducing self-supervised learning complexity improves weakly-supervised classification performance in computational pathology
von: Lenz, Tim, et al.
Veröffentlicht: (2024)

In-context learning enables multimodal large language models to classify cancer pathology images
von: Ferber, Dyke, et al.
Veröffentlicht: (2024)

Benchmarking Pathology Feature Extractors for Whole Slide Image Classification
von: Wölflein, Georg, et al.
Veröffentlicht: (2023)

Benchmarking foundation models as feature extractors for weakly-supervised computational pathology
von: Neidlinger, Peter, et al.
Veröffentlicht: (2024)

Three-dimensional end-to-end deep learning for brain MRI analysis
von: Juglan, Radhika, et al.
Veröffentlicht: (2025)

MedicalPatchNet: A Patch-Based Self-Explainable AI Architecture for Chest X-ray Classification
von: Wienholt, Patrick, et al.
Veröffentlicht: (2025)

From Clinical Intent to Clinical Model: Autonomous Coding-Agents for Clinician-driven AI Development
von: Zhao, Zihao, et al.
Veröffentlicht: (2026)

TICON: A Slide-Level Tile Contextualizer for Histopathology Representation Learning
von: Belagali, Varun, et al.
Veröffentlicht: (2025)

Morphological Prototyping for Unsupervised Slide Representation Learning in Computational Pathology
von: Song, Andrew H., et al.
Veröffentlicht: (2024)

Enhancing Network Initialization for Medical AI Models Using Large-Scale, Unlabeled Natural Images
von: Arasteh, Soroosh Tayebi, et al.
Veröffentlicht: (2023)

Diagnostic Accuracy of Open-Source Vision-Language Models on Diverse Medical Imaging Tasks
von: Müller-Franzes, Gustav, et al.
Veröffentlicht: (2025)

Hallucination Filtering in Radiology Vision-Language Models Using Discrete Semantic Entropy
von: Wienholt, Patrick, et al.
Veröffentlicht: (2025)

Class Visualizations and Activation Atlases for Enhancing Interpretability in Deep Learning-Based Computational Pathology
von: Gustav, Marco, et al.
Veröffentlicht: (2026)

Cross-Modal Prototype Allocation: Unsupervised Slide Representation Learning via Patch-Text Contrast in Computational Pathology
von: Chen, Yuxuan, et al.
Veröffentlicht: (2025)

Unified Multi-Foundation-Model Slide Representation for Pan-Cancer Recognition and Text-Guided Tumor Localization
von: Wang, Tianyang, et al.
Veröffentlicht: (2026)

Multimodal Foundational Models for Unsupervised 3D General Obstacle Detection
von: Matuszka, Tamás, et al.
Veröffentlicht: (2024)

mTREE: Multi-Level Text-Guided Representation End-to-End Learning for Whole Slide Image Analysis
von: Liu, Quan, et al.
Veröffentlicht: (2024)

Resolution scaling governs DINOv3 transfer performance in chest radiograph classification
von: Arasteh, Soroosh Tayebi, et al.
Veröffentlicht: (2025)

Rotation-Agnostic Image Representation Learning for Digital Pathology
von: Alfasly, Saghir, et al.
Veröffentlicht: (2023)

SmartPretrain: Model-Agnostic and Dataset-Agnostic Representation Learning for Motion Prediction
von: Zhou, Yang, et al.
Veröffentlicht: (2024)

Foundation Models for Slide-level Cancer Subtyping in Digital Pathology
von: Meseguer, Pablo, et al.
Veröffentlicht: (2024)

ZeroSlide: Is Zero-Shot Classification Adequate for Lifelong Learning in Whole-Slide Image Analysis in the Era of Pathology Vision-Language Foundation Models?
von: Bui, Doanh C., et al.
Veröffentlicht: (2025)

Dual-Foundation Models for Unsupervised Domain Adaptation
von: Cheon, Yerin, et al.
Veröffentlicht: (2026)

TAP into the Patch Tokens: Leveraging Vision Foundation Model Features for AI-Generated Image Detection
von: Abdullah, Ahmed, et al.
Veröffentlicht: (2026)

PRISM: A Multi-Modal Generative Foundation Model for Slide-Level Histopathology
von: Shaikovski, George, et al.
Veröffentlicht: (2024)

Slide-Level Prompt Learning with Vision Language Models for Few-Shot Multiple Instance Learning in Histopathology
von: Tomar, Devavrat, et al.
Veröffentlicht: (2025)

Compute-Efficient Medical Image Classification with Softmax-Free Transformers and Sequence Normalization
von: Khader, Firas, et al.
Veröffentlicht: (2024)

Cluster-Level Sparse Multi-Instance Learning for Whole-Slide Images
von: Zhang, Yuedi, et al.
Veröffentlicht: (2025)

Cross-Stain Contrastive Learning for Paired Immunohistochemistry and Histopathology Slide Representation Learning
von: Zhang, Yizhi, et al.
Veröffentlicht: (2025)

TAP-CT: 3D Task-Agnostic Pretraining of Computed Tomography Foundation Models
von: Veenboer, Tim, et al.
Veröffentlicht: (2025)

UMAD: Unsupervised Mask-Level Anomaly Detection for Autonomous Driving
von: Bogdoll, Daniel, et al.
Veröffentlicht: (2024)

Can We Simplify Slide-level Fine-tuning of Pathology Foundation Models?
von: Li, Jiawen, et al.
Veröffentlicht: (2025)

Exploring Diffusion Time-steps for Unsupervised Representation Learning
von: Yue, Zhongqi, et al.
Veröffentlicht: (2024)

Scene-Agnostic Object-Centric Representation Learning for 3D Gaussian Splatting
von: Hsu, Tsuheng, et al.
Veröffentlicht: (2026)

Supervised Representation Learning towards Generalizable Assembly State Recognition
von: Schoonbeek, Tim J., et al.
Veröffentlicht: (2024)

Exploring the Benefits of Vision Foundation Models for Unsupervised Domain Adaptation
von: Englert, Brunó B., et al.
Veröffentlicht: (2024)

GRASP: GRAph-Structured Pyramidal Whole Slide Image Representation
von: Mirabadi, Ali Khajegili, et al.
Veröffentlicht: (2024)

A deep learning framework for efficient pathology image analysis
von: Neidlinger, Peter, et al.
Veröffentlicht: (2025)