Y-Net：乳腺活检图像诊断的联合分割和分类

Jun, 2018

Y-Net：乳腺活检图像诊断的联合分割和分类

Y-Net: Joint Segmentation and Classification for Diagnosis of Breast Biopsy Images

Sachin Mehta, Ezgi Mercan, Jamen Bartlett, Donald Weave, Joann G. Elmore...

TL;DR本研究介绍了一种用于乳腺癌诊断的简单生成分割掩模的网络，该网络可以高效地分割乳房活检图像中不同类型的组织，并同时预测识别图像中重要区域的判别映射。该网络扩展了 U-Net，通过添加判别图生成的并行支路和支持卷积块模块化实现，从而允许用户在不改变网络拓扑结构的情况下调整网络效率。与最接近的竞争对手相比，Y-Net 学习的参数少 6.6 倍，达到了最先进的分割准确性。从 Y-Net 的判别性分割掩模的描述能力的加入可以使诊断分类精度比最先进的方法提高 7%。

Abstract

In this paper, we introduce a conceptually simple network for generating discriminative tissue-level segmentation masks for the purpose of breast cancer diagnosis. Our method efficiently segments different types of tissues in breast biopsy images while simultaneously predicting a

biopsy images breast cancer diagnosis y-net segmentation accuracy discriminative map

发现论文，激发创造

基于 GRU 网络的乳腺组织病理图像分割

本研究提出了一种改进的 MultiResU-Net 用于组织病理学图像分割，该模型通过多尺度分析和分割复杂特征，并通过跳跃连接确保有效的特征传递；改进版本还利用基于高斯分布的注意力机制在高斯分布中合并与组织病理学相关的文本信息；最后，通过对 MultiResU-Net 的跳跃连接采用控制稠密残差块，以从编码器层向解码器层传递信息，使用从提取的空间特征导出的缩放参数，以控制的方式进行传递。验证实验表明，在 TNBC 和 MonuSeg 等两种不同类型的乳腺癌组织病理学图像数据集上，与现有方法相比，该方法展现出卓越的分割性能。该模型的代码可在该 https URL 找到。

Jun, 2024

基于 DU-Net 的无监督对比学习在组织学图像癌症分割中的应用

介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。

Jun, 2022

UGGNet: U-Net 和 VGG 的高级乳腺癌诊断桥梁

UGGNet 是一种结合了 U-Net 和 VGG 架构的新型模型，用于增强乳腺超声图像分析的性能，提供准确的乳腺超声图像诊断的综合解决方案。

Jan, 2024

U-Net: 生物医学图像分割的卷积神经网络

该研究提出了一种基于数据增强的网络和训练策略，用于更有效地利用可用的标注样本，以实现对神经结构的分割和细胞跟踪。研究表明，这种网络可以从极少量的图像中进行端对端的训练，并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果，且速度快。

May, 2015

乳腺肿瘤超声和乳腺 X 线摄影图像的分割模型和 U-Net 的比较分析

本研究旨在开发一种算法，可以识别和描绘乳腺超声和乳腺 X 线摄影图像中的肿瘤区域；该技术利用 U-Net 和 pretrained SAM 等两种先进的深度学习架构进行肿瘤分割，在不同类型的肿瘤中，U-Net 模型在精确定位和分割肿瘤区域方面表现优异。

Jun, 2023

KiU-Net：利用过完备表示实现生物医学图像的准确分割

本文提出了一种新的超完备神经网络结构 Ki-Net，该结构在 U-Net 网络的基础上，通过数据在高维空间上的投影，实现了在分割模糊、嘈杂边界下的解剖标志和小型的功能区域的显著性改善，并表现出更快的收敛速度和优异的性能。作者在早产婴儿的二维超声脑解剖分割任务中，与标准 U-Net 相比，提高了约 4% 的 DICE 准确率和 Jaccard 指数，同时优于最近的一些方法 2%。

Jun, 2020

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

一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用

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

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

DoubleU-Net: 医学图像分割的深度卷积神经网络

提出了基于编码器解码器的方法 DoubleU-Net，该方法在一些医学图像数据集上的实验证明相比于现有方法可获得更准确的语义分割结果。

Jun, 2020