Sep, 2018

ConvPath: 卷积神经网络辅助肺腺癌数字病理图像分析软件工具

PDF
TL;DR本研究基于卷积神经网络开发了自动细胞分类流程 ConvPath，可从肺癌病理图像中识别各种类型的细胞并提取与肿瘤微环境有关的特征，基于这些特征开发了图像特征驱动的预后模型，并在两个独立队列中进行了验证。
cancer cell growth patterntumor microenvironmentimmune responseconvolutional neural networkprognostic model
发现论文，激发创造
  • 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

  • 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

  • 扩张全卷积网络在病理性肺组织语义分割中的应用

    研究利用基于纯卷积神经网络，进行肺部 CT 图像的语义分割，实现自动化诊断使用的计算机辅助诊断系统来提升诊断效率和准确性。

    Mar, 2018

  • 用卷积胶囊网络对乳腺癌组织学图像进行分类

    本文提出了一个基于卷积胶囊网络的深度学习解决方案，能够对通过血红蛋白和欧辛染色的乳腺组织活检的四种图像类型进行分类，表现出非常高的准确性和敏感性。

    Apr, 2018

  • 肺腺癌生长模式整张切片图像分类的细胞分布表示

    本研究针对肺腺癌提出了一个新颖的机器学习流程，能够将组织细胞划分为五个主要的组织学增长模式之一或非肿瘤状态，并通过在新数据上取得约 30% 更高的准确性，提供了异常扩展性。该模型所得的见解可用于预测患者预后，改善患者预后效果。

    Nov, 2023

  • 探索可解释人工智能技术以提高肺癌和结肠癌分类的可解释性

    利用深度学习方法对肺癌和结肠癌进行组织学图像分类，取得了 97% 至 99% 的准确率，并通过注意力可视化技术提高了恶性和良性图像分类的解释性和理解。

    May, 2024

  • 利用卷积神经网络视觉分类器和多变形文本解码器自动生成肺细胞像的报告：初步研究

    本研究提出了一种肺细胞学图像的报告生成技术，通过使用卷积神经网络对图像进行分类并提取与图像相关的特征，结合 Transformer 进行报告生成，该方法在肺细胞学分类和报告方面具有潜在的应用价值。

    Mar, 2024

  • 卷积神经网络多源迁移学习在肺部图像分析中的应用

    应用迁移学习技术，通过纹理数据库来改进深度卷积神经网络的训练方法，并将不同卷积神经网络中的知识结合，进而实现肺组织病变的分类，该方法的成功应用表明了在医学图像分析领域中，训练神经网络的方法同样重要于设计它的架构。

    Dec, 2016

  • 组织病理学中的直方图图表

    本论文在组织切片图像中，使用图卷积网络 (Graph Convolutional Networks, GCNs) 对细胞的多属性空间图进行建模，通过提取细胞空间排列的复杂特征以实现肿瘤分类，得到了与 Inception-v3 相当的分类准确率。

    Aug, 2019

  • 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