Jul, 2018

强化自动缩放网络：全尺寸乳腺癌病理切片图像精准快速分割

PDF
TL;DR本文提出了一种名为 RAZN 的神经网络框架，用于医学图像领域的乳腺癌分割任务。RAZN 在 WSIs（大型组织病理学图像）中通过学习策略网络实现了选择性放大，从而减少了过度拟合，并实现了在低推理成本的情况下更高的精度。
convolutional neural networksbreast cancer segmentationwhole-slide imagesraznhistopathological images
发现论文，激发创造
  • 多倍镜深度多尺度网络用于多类别乳腺癌图像分割

    本文介绍了深度多放大率网络，采用多级别数字化全层切片图像的一组修补程序对部分注释进行训练，实现对乳腺癌多类组织的自动化分割，表现出高交叉共同区的意义，可用于协助病理学家评估乳腺癌。

    Oct, 2019

  • 上下文感知的叠式卷积神经网络用于对全幅组织病理学图像中的乳腺癌进行分类

    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

  • 克服基于 Patch 学习的限制，用于识别全扫描切片图像中的癌症

    本文讨论如何将深度学习用于对大型 WSI 图像进行癌症检测， 比较分析基于图像块或幻灯片的分类与需要在整个幻灯片上准确定位或分割癌症的方法之间的差异，并提出一种负数据采样策略，可显着降低假阳性率，并在肿瘤范围的错误率上取得 15% 的减少。

    Dec, 2020

  • 多染色多层卷积网络用于多组织乳腺癌图像分割

    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

  • Zoom Better to See Clearer: 基于分层自适应缩放网络的人体和物体解析

    本文介绍了一种基于自动缩放卷积神经网络的解析物体部分的方法并在人、马和牛的 PASCAL 数据集上进行了实验，结果表明本文提出的策略先缩放到对象，然后再缩放到部件非常有效，能更好地适应不同区域的图像，并且能够在人类、牛类和马类等数据集中获得良好的图像分割结果。

    Nov, 2015

  • 大型图像快速目标检测的动态缩放网络

    本文提出了一种基于强化学习的通用框架，对于出现在高分辨率图像中的各种大小的物体进行检测，可以减少计算成本并保持准确性；实验结果表明，与传统方法相比，可以减少处理像素的数量达 50%，而不会降低检测精度。

    Nov, 2017

  • 利用自动增强和搜索优化技术改进基于 Transformer 的乳腺癌诊断分割

    这篇论文介绍了一种将自动图像增强选择（RandAugment）与搜索优化策略（基于树的 Parzen 估计器）相结合的方法，用于确定图像增强数量和相关增强参数的最佳值，从而提高分割性能。在乳腺癌组织切片中经过实证验证后，我们的结果表明，这种方法使得分割模型对组织切片变异更具弹性，同时保持高水平的分割性能，并在与以往研究相比较时显示出改善的肿瘤类别分割。

    Nov, 2023

  • 自适应加权多视场卷积神经网络在病理学语义分割中的应用

    本文提出了一种自适应加权多视野卷积神经网络（AWMF-CNN）用于 WSI 图片的多种癌症亚型区域的图像分割。该方法使用不同放大倍率的图像特征，据此自适应地调整每种图像特征在融合过程中的权重，并成功优于其他先进方法。

    Apr, 2019

  • 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

  • 利用多个实例学习在整个切片图像中找到感兴趣区域

    通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

    Apr, 2024