May, 2018

乳腺癌精确转移检测和 pN 分期分类的稳健有效方法

PDF
TL;DR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。
tnm stagebreast cancermetastasis detectionpn-stage classificationconvolutional neural networks
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

  • 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

  • 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

    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。

    Jul, 2017

  • 利用开源临床大型语言模型分类癌症分期

    通过使用开源临床大型语言模型（LLMs）和基于 BERT 的模型进行细化调整，本研究证明在没有标记训练数据的情况下，可以从真实世界的病理报告中提取病理肿瘤 - 淋巴结 - 转移（pTNM）分期信息。研究发现 LLMs 在肿瘤（T）分类方面仍然表现不佳，但通过适当的提示策略，它们可以达到与转移（M）分类相当的性能，并在淋巴结（N）分类方面表现出更好的性能。

    Apr, 2024

  • 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

  • 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

  • 深度卷积神经网络用于乳腺癌组织学图像分析

    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

  • 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

  • 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