Aug, 2018

使用深度学习在带有免疫组化参考标准的 H&E 染色前列腺标本中进行上皮分割

PDF
TL;DR本文提出了一种基于免疫组织化学和深度学习的数字化前列腺切除切片上细胞分割的新方法，通过该方法可以较为精确地区分上皮组织和其他组织，并对其进行细胞级分割，从而实现对前列腺癌的自动检测和分级。
prostate cancersegmentationdeep learningimmunohistochemistryautomated detection
发现论文，激发创造
  • 免疫组化指导下的乳腺癌切片中良性上皮细胞、原位病变及浸润上皮细胞的分割

    利用人工智能的数字病理学可以自动分析组织病理切片，自动评估可以提高诊断效率并帮助找出形态特征与临床结果之间的关联。本研究旨在开发一个用于乳腺癌切片上上皮细胞分割的人工智能模型，利用卷积神经网络进行训练，并通过数据增强提高模型的鲁棒性。

    Nov, 2023

  • 基于深度学习的睾丸组织组织学图像中小管上皮层分割方法

    本文提出了一种基于卷积神经网络的自动化测试 icular 组织组织病理图像处理方法，使用深度学习技术实现对睾丸上皮层的自动分割，并取得了较好的结果。

    Jan, 2023

  • 深度学习在乳腺癌组织学分类中的应用

    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

  • 使用生成对抗神经网络进行前列腺活检 RGB 图像的计算组织染色和去染色

    该研究提出了两种新方法，使用条件生成式对抗网络进行机器学习，来实现对前列腺活检组织的计算机 H&E 染色和去染色，进而提高了组织结构等的相似性指数。

    Oct, 2018

  • 利用基于深度学习的评估肿瘤相关基质来诊断组织病理学图像中的乳腺癌

    使用卷积神经网络分析乳腺癌患者的肿瘤相关基质来诊断，该系统在处理了 646 例乳腺组织活检标本后被证明具有较强的诊断能力，达到了 0.92 的 ROC 曲线下面积。

    Feb, 2017

  • 大规模数字前列腺病理图像分析：特征提取与深度神经网络结合

    本文介绍了一种结合人工和深度神经网络特征提取的分析流程，并直接操作于数字扫描仪所生成的全幅图像上，实现了前列腺癌癌区定位、分级、提取 Gleason 分级的面积比率和细胞 / 结构特征，最终通过对 368 个全幅图像进行测试，成功在區分 Gleason 3+4 和 4+3 的幻灯片方面达到了 75％的总体准确性。

    May, 2017

  • 基于 GAN 的虚拟染色：全切片图像分析的有希望解决方案

    本文提出了一种基于条件 CycleGAN 网络的方法，将 H＆E 染色图像转换为 IHC 染色图像，实现同一切片的虚拟 IHC 染色，并展示了该方法在图像转换方面的优越性。

    Jan, 2019

  • 从相邻染色组织中学习黑色素细胞掩膜

    本文提出了使用深度神经网络实现黑色素细胞分割的方法，以解决由病理学家不一致性引起的黑色素瘤诊断的问题。通过使用免疫组化切片进行训练，最终得到了可靠的结果。

    Nov, 2022

  • 免疫组织化学生物标志物引导的组织病理学图像检索

    本研究提出了一种有针对性的图像搜索方法来改善肿瘤检测和癌症诊断。通过多种免疫组化染色技术，将图像合并生成复合标记物图像，并利用深度学习技术实现对癌变或异常组织信息的高效筛查，从而提高了搜索引擎的精确度。

    Apr, 2023

  • 组织病理学癌症检测

    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