Oct, 2018

基于形态和外观卷积神经网络的子宫颈细胞细粒度分类

PDF
TL;DR本研究提出了一种基于 CNN 的方法，通过结合细胞图像外观和形态学信息对 Pap 样本中的宫颈细胞进行分类，在 Herlev 宫颈数据集上验证了此方法的分类精度高于传统的手工特征分类方法，可用于宫颈病变的早期诊断。
fine-grained classificationcervical cellscnn-based methodmorphological informationearly diagnosis
发现论文，激发创造
  • 子宫颈癌筛查的可解释乳房细胞表示

    通过使用变分自编码器进行单类分类，本研究提出了一种学习解释性深度宫颈细胞表示的方法，以实现宫颈细胞异常的评分和定位，结果表明该方法能够在不使用异常样本进行模型训练的情况下，实现异常细胞的区分和解释。

    Nov, 2023

  • CellGAN: 用于增强细胞病理图像分类的条件性宫颈细胞合成

    本文提出了基于 CellGAN 的 TCT 细胞病理学图像合成方法，用于增强细胞类型分类，并验证了该方法的有效性。

    Jul, 2023

  • 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

  • 基于可变形多路径集合模型的宫颈涂片细胞核自动分割

    本文提出了一种使用可变形多路径集合模型（D-MEM）进行自动宫颈细胞核分割的方法，其中采用 U 形卷积网络作为主干网络，并使用多个具有不同设置的网络构建集合模型，以提高模型的灵活性和准确性，该分割框架在 Herlev 数据集上实现了最新的精度，并具有解决其他医学图像分割任务的潜力。

    Dec, 2018

  • 使用图卷积神经网络进行组织病理学图像的可视化

    该论文提出了一种基于图卷积网络和注意机制的方法，将组织学检查作为细胞核图的形式来进行深度学习，达到疾病诊断的可解释性。

    Jun, 2020

  • 基于 CNN 的整张组织病理学图像宫颈癌分类方法

    该研究通过 VGG16-CNN 分类方法对 TCGA 数据平台中的子宫颈组织数字切片进行分类，准确率为 98.26%，F1 分数为 97.9%，这证实了迁移学习在该弱监督任务上的潜力。

    May, 2020

  • 使用深度卷积神经网络对乳腺 X 线摄影异常进行检测

    针对乳腺癌的计算机辅助检测方法，通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类，实现对钙化和肿块的分类和定位，以降低放射科医师的成本和工作量。

    Mar, 2018

  • 利用可转移特征的上下文感知学习进行乳腺癌组织学图像分类

    使用基于 CNN 的分类激活特征和重叠图像块的特征来实现基于上下文信息的乳腺癌分类方法。结果表明，该方法在小数据集上比现有算法表现更出色。

    Feb, 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

  • 非对称共同训练结合可解释性细胞图集成在组织病理图像分类中的应用

    使用深度图卷积网络和卷积神经网络结合的非对称同时训练框架提升多类组织病理图像分类的解释性和性能。

    Aug, 2023