Feb, 2018

深度卷积神经网络用于乳腺癌组织学图像分析

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 深度学习在乳腺癌组织学分类中的应用

    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

  • 乳腺癌组织学图像分类的两级卷积神经网络

    此论文研究了乳腺组织的分类问题，提出了一种基于卷积神经网络的“补丁-图像”分类方法，并利用ICIAR2018数据集进行验证，在验证数据集上获得了95%的分类精度。

    Mar, 2018

  • 使用密集连接卷积网络评估乳腺癌组织学

    探讨利用密集连接卷积神经网络进行乳腺癌计算机辅助诊断中的组织学图像分类和全扫描图像分割的可行性。采用迁移学习，应用于2018年乳腺癌组织学图像大挑战的数据集，并研究不同方法。

    Apr, 2018

  • 用卷积胶囊网络对乳腺癌组织学图像进行分类

    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

  • 用于乳腺癌组织学图像分类的分层 ResNeXt 模型

    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

  • 计算组织病理学的深度神经网络模型：一项调查

    本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从130多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。

    Dec, 2019

  • 基于迁移学习的乳腺癌组织病理图像检测深度分析

    本研究使用2453个组织病理学图像数据集，分离有侵袭性导管癌（IDC）和无IDC的数据，分析了预训练的深度迁移学习模型如ResNet50、ResNet101、VGG16和VGG19在检测乳腺癌方面的应用，研究发现ResNet50模型的准确率可达90.2％，曲线下面积（AUC）率为90.0％，召回率为94.7％，不适当损失为3.5％。

    Apr, 2023

  • 探索感兴趣的区域：利用深度学习对乳腺癌组织学图像分类进行可视化

    本研究使用VGG19模型进行三种可视化方法操作，包括Gradient、LRP Z和LRP Epsilon，与三种像素选择方法操作，包括Bins、K-means和MeanShift，以对恶性和良性的组织学图像进行分类，并比较所得到的感兴趣区域与病理学家的独立标注的结果，结果表明，Gradient可视化方法和MeanShift像素选择方法可满足图像可视化的需要。

    May, 2023

  • 卷积神经网络对癌症细胞病理学图像的分类：以乳腺癌为例

    该研究介绍了使用卷积神经网络（CNN）对病理图像进行快速分类的方法，旨在提高乳腺病理图像检测的效率。研究采用了Inceptionv3架构和迁移学习算法提取病理图像特征，并引入图像分割概念处理高分辨率图像。通过三种算法：求和、乘积和最大值，聚合每个图像块的分类概率，实验证明该方法有效地提高了乳腺癌病理图像分类的准确性。

    Apr, 2024

  • 乳腺癌分类的主流CNN架构的比较分析与集成增强

    本研究针对乳腺癌分类面临的准确性问题，提出了一种创新且精确的方法，通过比较主流卷积神经网络模型在不同图像数据集上的表现，识别其最佳超参数。我们的研究发现，通过集成多种高效模型，能够显著提升分类准确率，比如在BreakHis数据集上达到99.75%的准确率。

    Oct, 2024