Jul, 2017

ScanNet: 一种快速稠密的滑片图像扫描框架，用于乳腺癌转移的检测

PDF
TL;DR本文研究了利用卷积神经网络的计算机诊断技术在乳腺癌病理学中的应用，从组织样本的全幅图像中快速自动检测淋巴结转移的新方法，并且在 2016 年 Camelyon Grand Challenge 的数据集上取得了优异的性能，不仅比其他同类方法检测肿瘤定位的速度更快，而且在 WSI 分类任务上超越了人类表现。
breast cancerlymph node metastasismedical image computingconvolutional networkscamelyon grand challenge
发现论文，激发创造
  • 淋巴结转移癌症检测的半监督学习

    用逐步的方式查找转移组织的任务通常很具有挑战性，这篇研究提出了使用基于深度卷积神经网络的半监督学习方法的模型来自动分析肿瘤病理扫描图像中的前哨淋巴结状态，表现比标准 CNN 基准表现更好，并在 PatchCamelyon 数据集上进行了验证。

    Jun, 2019

  • 用于鉴定转移性乳腺癌的深度学习

    使用深度学习技术，结合人工病理学家的诊断结果，实现对淋巴结活检全滑片图像中转移性乳腺癌的自动检测，能够在提高病理诊断准确性方面发挥重要作用。

    Jun, 2016

  • 乳腺癌精确转移检测和 pN 分期分类的稳健有效方法

    本文提出了一种使用卷积神经网络进行乳腺癌转移检测和 pN 分期分类的稳健方法，用于处理多个吉吉像素病理学图像，实现了 0.9203 的加权 Kappa 得分，超过了 Camelyon17 挑战的前几名方法。

    May, 2018

  • 在千亿像素病理图像上检测癌症转移

    该研究提出了一种使用卷积神经网络 (CNN) 框架以及基于细胞病理学图像的肿瘤检测，旨在自动地检测、定位肿瘤，并降低转移性癌症检测中的假阴性率。

    Mar, 2017

  • 整张切片多实例学习用于预测腋窝淋巴结转移

    使用深度学习来识别乳腺癌患者核心 - 针生物检查图像中腋窝淋巴结转移的状态，并通过评估性能和进行数据增强技术的研究来改进现有的方法。

    Oct, 2023

  • 为发展中国家减少癌症诊断的长时间延误，提高患者生存率，设计一种基于深度学习的资源高效的诊断系统

    为解决发展中国家乳腺癌诊断的延误和患者生存率的不平等问题，本研究开发了一种基于深度学习的转移性乳腺癌诊断系统，具有高诊断准确性和计算效率，能够适应资源匮乏的医疗设施。

    Aug, 2023

  • 有限数据访问情境下的深度学习结肠癌检测研究

    该研究使用基于深度学习的模型探讨了在组织分类问题中，通过利用组织之间的结构特征解决数据不足的问题。研究进一步表明，借助少量或无淋巴节点数据，利用原始肿瘤组织或通过 Cycle-GANs 变换的乳腺癌数据训练的模型可以用于发现其他器官的癌症细胞扩散情况。

    May, 2020

  • 通过数据中心策略优化乳腺癌全切片图像中的淋巴细胞检测

    淋巴细胞在组织病理学切片中的高效、准确量化对于肿瘤微环境和免疫治疗反应的表征至关重要。我们开发了一个基于数据的优化流程，利用现成的 YOLOv5 模型在不进行任何结构修改的情况下实现了出色的淋巴细胞检测性能。我们的工作依赖于策略性的数据集增强策略，包括新颖的生物上采样和定制的视觉连贯转换，针对组织图像的独特特性进行设计，从而大大提高了模型的性能。我们的优化揭示了一个关键的实现：在进行了密集定制化之后，标准的计算病理学模型可以实现高能力的生物标志物开发，而不增加架构复杂性。我们展示了这种方法在乳腺癌背景下的兴趣，证明我们的策略可以实现良好的淋巴细胞检测性能，引发了广泛的影响性的范式转变。此外，我们的数据整理技术提供了关键的组织学分析基准，突显了提高的通用潜力。

    May, 2024

  • 临床记录中的转移瘤检测的参数高效方法

    此研究的目标是通过三种方法自动检测自由样式计算机断层扫描（CT）放射学报告中的转移性肝病，我们的研究表明，使用泛化语言模型、半监督学习和多任务转移学习方法可以提高模型的性能。

    Oct, 2023

  • 神经条件随机场在癌症转移检测中的应用

    该研究提出一种神经有条件随机场（NCRF）深度学习框架，以检测 WSIs 中的癌症转移，并改善了基线方法在癌症转移检测上的性能。

    Jun, 2018