BACH:乳腺癌组织学图像大挑战赛
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
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
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。
Feb, 2018
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
通过使用最新的 BRACS 组织学(H&E 染色)图像数据集中的感兴趣区域(ROI)图像,我们使用不同的预训练深度学习模型,在处理图像时应用了数据增强、上采样和数据集拆分策略,最终达到了 96.2%的 f1-score,显著提高了乳腺癌肿瘤的早期诊断和鉴别,尤其是不典型和恶性肿瘤,从而改善患者预后并降低患者死亡率。
Sep, 2023
通过对乳腺癌组织标本图像的数据集进行系统回顾,发现了 12 个公开的数据集,并对每个数据集的元数据和特征进行了报告,同时编制了一个文章中使用的补充资源列表。此外,还强调了建立乳腺癌 WSI 数据集元数据报告指南的必要性。
Jun, 2023
本文介绍了 BReAst Carcinoma Subtyping(BRACS)数据集,这是一个包含 547 张 WSI 和 4539 个感兴趣区域(ROIs)的大型数据集,可以帮助进一步了解乳腺癌的特征以及利用人工智能技术对其进行诊断和分类。
Nov, 2021
本文介绍了乳腺癌免疫组化图像生成挑战赛,旨在探索深度学习技术在病理图像生成领域的新思路并促进研究。我们进一步分析了该领域的当前限制并预测了未来的发展。发放的数据集和挑战将希望能激发更多学者共同研究更高质量的免疫组化染色图像的生成。
May, 2023
癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤,本研究通过深度学习构建了一个潜在的肿瘤预后分类模型,利用组织病理学图像中有价值的信息,选择了 PatchCamelyon 基准数据集,训练了多层感知器和卷积模型,并评估了其精确度、召回率、F1 得分、准确度和 AUC 得分,结果显示基准卷积模型表现优于基准多层感知器模型。此外,本文还引入了 ResNet50 和 InceptionNet 模型,并使用数据增强,其中 ResNet50 能够超越最先进的模型,最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。
Nov, 2023