Dec, 2017

SFCN-OPI：使用Sibling FCN和Objectness Prior Interaction进行细胞核的检测和细致分类

HTML
PDF
TL;DR本文介绍了一种利用CNN完成细胞核检测和细粒度分类的全新方法SFCN-OPI，该方法利用对象先验与分类分支进行动态交互，相比现有方法实现了更高的识别精度和鲁棒性。
发现论文，激发创造
  • 基于稀疏自编码器的组织病理学图像无监督细胞核检测及表示

    本文提出了一种基于稀疏卷积自编码器（CAE）的组织学图像核深度特征提取方法，实现了在组织图像中核的自动检测和编码。CAE 将图像中的核检测和深度特征提取模块以端到端的方式进行预训练，可用于之后的监督学习。实验结果显示，与最先进方法相比，本文方法减小了最大 42% 的误差，并且只需要 5% 的全监督标注成本即可得到可比较的性能。

    Apr, 2017

  • HoVer-Net: 多组织组织学图像中细胞核的同时分割和分类

    通过使用卷积神经网络将核数据分离和分类，进而对数字病理学的工作流程进行优化。

    Dec, 2018

  • CGC-Net：用于结直肠癌组织学图像分级的细胞图卷积网络

    使用细胞图卷积神经网络（CGC-Net）将大肠癌组织学图像转化为图形，并采用Adaptive GraphSage技术融合不同层级的特征，以有效地对普通基于补丁的方法及上下文相关的基于补丁的技术进行超越，描述新型的 CRC 分级方法。

    Sep, 2019

  • 多尺度全卷积神经网络用于组织病理学图像分割: 从核异常到全局组织结构

    该论文介绍了一种基于多种尺度的深度神经网络，用于组织病理学的诊断。实验表明，该神经网络能够在低计算成本下提高模型的性能，并有望广泛应用于组织病理学的深度诊断中。

    Sep, 2019

  • 利用组织病理图像中的部分点注释进行弱监督深度细胞核分割

    本文提出了一种基于部分点注释的弱监督分割框架，其中包括两个阶段的半监督策略和深度神经网络的使用，使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。

    Jul, 2020

  • 数字癌症组织的多器官细胞核同时语义分割、实例分割和分类的自底向上三合一框架

    通过引入附加的解码器头部使用独立的加权损失函数，该研究提出了对数字组织学中核的同时实例分割和分类的多阶段方法，以在高质量实例分割和核分类方面取得了显著的性能改进，并且在19种类型的组织上具有广泛的适用性和较低的复杂性。

    Aug, 2023

  • 非对称共同训练结合可解释性细胞图集成在组织病理图像分类中的应用

    使用深度图卷积网络和卷积神经网络结合的非对称同时训练框架提升多类组织病理图像分类的解释性和性能。

    Aug, 2023

  • 多类细胞核检测的一致仿射变换

    本文提出了一种新的Affine-Consistent Transformer（AC-Former）方法，通过全局和局部子网络的协同训练，直接产生一个核位置序列；同时引入了Adaptive Affine Transformer（AAT）模块，用于自动学习关键的空间变换方法，以提高模型的性能。实验证明，该方法在多个评估数据集上显著优于现有的先进算法。

    Oct, 2023

  • 细胞图变换器用于细胞核分类

    核分类是计算机辅助诊断中的关键步骤，本文提出了一种基于细胞图变换器的新方法，通过在细胞图中处理节点和边缘作为输入标记，实现了可学习的邻接和信息交换，结合拓扑感知的预训练方法，显著提高了核分类结果并达到了最先进的性能。

    Feb, 2024

  • NCT-CRC-HE: 并非所有的组织病理学数据集都同样有用

    本研究探讨了在组织病理图像分析中广泛应用的NCT-CRC-HE-100K结肠癌数据集，揭示了由于不当的颜色标准化和JPEG压缩伪影等问题，数据集结果可能受到特定偏差的影响。通过实验表明，简单模型的准确率可超过50%，而基础高效网络模型甚至能达到97.7%的准确率，显著超越了以往的方法，突显了数据集的潜在问题和研究的风险。

    Sep, 2024