本文提出一种上下文感知的堆叠卷积神经网络模型，用于对乳腺癌组织WSI的细胞级信息进行分类，成功实现对病理组织的诊断和分类。
May, 2017
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
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。
使用基于CNN的分类激活特征和重叠图像块的特征来实现基于上下文信息的乳腺癌分类方法。结果表明，该方法在小数据集上比现有算法表现更出色。
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
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。
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
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
我们提出了一种基于卷积神经网络的多类组织分割模型，通过像素对齐的非线性融合实现了局部和全局视野，能够准确检测各种组织类别，并且对于多种染料和扫描仪具有稳定性。
Jun, 2024
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