本研究使用 2453 个组织病理学图像数据集,分离有侵袭性导管癌(IDC)和无 IDC 的数据,分析了预训练的深度迁移学习模型如 ResNet50、ResNet101、VGG16 和 VGG19 在检测乳腺癌方面的应用,研究发现 ResNet50 模型的准确率可达 90.2%,曲线下面积(AUC)率为 90.0%,召回率为 94.7%,不适当损失为 3.5%。
Apr, 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
该论文提出了一种基于迁移学习和支持向量机分类器的方法,用于对乳腺癌组织病理学图像进行分类,实现了除去不相关区域从而提高分类准确率的目的,相较于现有技术,在 4 个乳腺癌放大倍数中,已有三个倍数的方法表现更为优异。
Apr, 2019
本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析,从 130 多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。
Dec, 2019
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
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
本文介绍了使用机器学习算法分析数字病理学图像的应用,解决数字病理学图像及相关任务中存在的问题,并提出了可能的解决方案。
Sep, 2017
本研究中,我们探讨了多任务学习作为预训练模型用于数字病理分类任务的方法,通过构建 22 个分类任务和近 900k 图像的资源池并使用简单结构和训练策略创建了可转移模型,并提出了一个稳健的模型选优协议,根据目标任务,我们展示了使用我们模型作为特征提取器时,其性能要么显著优于 ImageNet 预训练模型,要么提供相当的性能。Fine-tuning 技术可以恢复 ImageNet 特征的泛化性不足,提高性能。
May, 2020
本论文提出了一种新的模型结构,将基于补丁的分类模型和整个切片比例的分割模型相结合,以提高自动病理诊断的预测性能,并通过优化方法,使模型部分地进行端到端学习,应用于 WSI 的肿瘤 / 正常预测,与传统基于补丁的方法相比,分类的性能得到了提高。
Oct, 2019
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。