利用基于深度学习的评估肿瘤相关基质来诊断组织病理学图像中的乳腺癌
本研究利用深度学习方法,通过提取细胞核密度区域进行分类,通过 fine-tuning 原始的 Inception-v3 卷积神经网络,从而达到了对四种类型的 H&E 染色乳腺组织图像进行分类,并获得了高达 85% 的整体精确度和 93% 的癌症诊断精确度。
Feb, 2018
通过分析病理学图像预测乳腺癌早期患者复发的风险,本研究探讨了深度学习算法是否能准确预测复发的可能性,结果显示通过对 125 个组织切片图像进行分析,得到了对低、中、高风险预测的灵敏度分别为 0.857、0.746 和 0.529,对应的特异性分别为 0.816、0.803 和 0.972,而与专家病理学家提供的组织级别信息对比,得到的皮尔逊相关系数为 0.61,此外,模型通过类活化图考虑了管状形成和有丝分裂率对不同风险组的预测结构。
Jun, 2024
本研究基于深度卷积神经网络开发了计算方法,用于乳腺癌组织病理图像分类,包括四类和两类(用于检测癌变)分类任务,在高灵敏度操作点上,我们报告了 93.8% 的准确性,97.3% 的 AUC 和 96.5/88.0% 的敏感性 / 特异性,超过了其他常见的自动组织病理学图像分类方法。
Feb, 2018
通过应用多实例学习算法和不同的特征提取方法,该研究对乳腺癌的初级肿瘤进行多重描述,以测量肿瘤和免疫表型,为开发计算病理学标志物提供了潜力。
Apr, 2024
癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤,本研究通过深度学习构建了一个潜在的肿瘤预后分类模型,利用组织病理学图像中有价值的信息,选择了 PatchCamelyon 基准数据集,训练了多层感知器和卷积模型,并评估了其精确度、召回率、F1 得分、准确度和 AUC 得分,结果显示基准卷积模型表现优于基准多层感知器模型。此外,本文还引入了 ResNet50 和 InceptionNet 模型,并使用数据增强,其中 ResNet50 能够超越最先进的模型,最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。
Nov, 2023
通过使用最新的 BRACS 组织学(H&E 染色)图像数据集中的感兴趣区域(ROI)图像,我们使用不同的预训练深度学习模型,在处理图像时应用了数据增强、上采样和数据集拆分策略,最终达到了 96.2%的 f1-score,显著提高了乳腺癌肿瘤的早期诊断和鉴别,尤其是不典型和恶性肿瘤,从而改善患者预后并降低患者死亡率。
Sep, 2023
本文提出了一种基于免疫组织化学和深度学习的数字化前列腺切除切片上细胞分割的新方法,通过该方法可以较为精确地区分上皮组织和其他组织,并对其进行细胞级分割,从而实现对前列腺癌的自动检测和分级。
Aug, 2018
本文提出了一个基于卷积胶囊网络的深度学习解决方案,能够对通过血红蛋白和欧辛染色的乳腺组织活检的四种图像类型进行分类,表现出非常高的准确性和敏感性。
Apr, 2018
本文使用卷积神经网络(ConvNets)提出了一种用于直肠癌组织分类的系统,并探究了组织分类中染色归一化的重要性,同时报告了 ConvNets 在一批直肠癌样本和一组公开的结直肠 H&E 图像数据集上的表现。
Feb, 2017
介绍了一种分层卷积神经网络系统来对乳腺癌组织学图像进行四种病理分类,使用 BACH 挑战数据集进行评估,测试集上的准确率达到了 0.99,在 BACH 的挑战测试中取得了 0.81 的准确率,排名第八。
Oct, 2018