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
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
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
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。
通过改进监督对比学习方法,结合自监督学习和标签数据,在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率,特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。
May, 2024
该论文提出了一种基于图卷积网络和注意机制的方法,将组织学检查作为细胞核图的形式来进行深度学习,达到疾病诊断的可解释性。
Jun, 2020
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