CVPRApr, 2019

自适应加权多视场卷积神经网络在病理学语义分割中的应用

PDF
TL;DR本文提出了一种自适应加权多视野卷积神经网络（AWMF-CNN）用于 WSI 图片的多种癌症亚型区域的图像分割。该方法使用不同放大倍率的图像特征，据此自适应地调整每种图像特征在融合过程中的权重，并成功优于其他先进方法。
histopathologydigital image segmentationcancer diagnosisawmf-cnnmagnification
发现论文，激发创造
  • 多尺度领域对抗多实例 CNN 用于未注释组织病理学图像癌症亚型分类

    本文提出了一种利用深度学习中的多例、领域对抗和多尺度学习框架，从组织病理学图像中识别癌症亚型的新方法，并在 196 个病例中测试，表明该方法比标准 CNN 或传统方法更准确，且与标准病理学家的准确性相当。

    Jan, 2020

  • 利用语义分割的多阶段病理图像分类

    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

  • 多倍镜深度多尺度网络用于多类别乳腺癌图像分割

    本文介绍了深度多放大率网络，采用多级别数字化全层切片图像的一组修补程序对部分注释进行训练，实现对乳腺癌多类组织的自动化分割，表现出高交叉共同区的意义，可用于协助病理学家评估乳腺癌。

    Oct, 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

  • 上下文感知的叠式卷积神经网络用于对全幅组织病理学图像中的乳腺癌进行分类

    本文提出一种上下文感知的堆叠卷积神经网络模型，用于对乳腺癌组织 WSI 的细胞级信息进行分类，成功实现对病理组织的诊断和分类。

    May, 2017

  • HistoSegCap: 针对全切片图像中组织类型进行弱监督语义分割的胶囊

    本文提出了一种利用胶囊网络进行基于弱监督语义分割 (WSSS) 的新型组织病理学图像分析方法，并使用数字病理学图谱 (ADP) 数据集对其进行评估。实验结果表明，该模型在准确性和平均交并联度 (mIoU) 指标方面优于传统方法，凸显了胶囊网络在增强组织病理学图像分析的精度和效率方面的潜力。

    Feb, 2024

  • CAMIL: 基于上下文的多示例学习用于大规模切片图像分类

    本研究开发了一种新的深度学习池化操作符 —— CHARM，以提高癌症诊断的准确性和可解释性，实验结果证明其在非小细胞肺癌和淋巴结转移的亚型识别方面优于其他弱监督分类算法。

    May, 2023

  • 基于 Patch 的卷积神经网络用于全切片组织图像分类

    通过训练决策融合模型以及利用 EM 方法自动定位有效的 Patch，可以实现对肿瘤亚型的分类，其分类精度与病理学家之间的一致性相似，这种基于 Patch 的 CNN 可以比基于图像的 CNN 更好地处理图像分类任务。

    Apr, 2015

  • 利用图神经网络进行组织病理学图像的表示学习

    本文介绍了一种基于图神经网络和 DenseNet 的方法，使用颜色选择和生成的样本 patches 并保持图像信息的关联性，以对肺癌的亚型进行精确分类。模型在 The Cancer Genome Atlas 数据集上表现出了 88.8% 的准确率和 0.89 的 AUC。

    Apr, 2020

  • CVFC: 跨视图特征一致性基于注意力的病理图像弱监督语义分割

    提出了一种基于注意力机制的跨视图特征一致性端到端伪掩膜生成框架（CVFC），通过三个分支的联合框架，使用多尺度集成特征图生成类激活图（CAM），并通过特征一致损失和特征交叉损失对 CVFC 的参数进行优化，最终在 WSSS4LUAD 数据集上取得了 IoU 为 0.7122 和 fwIoU 为 0.7018 的结果，分别优于 HistoSegNet、SEAM、C-CAM、WSSS-Tissue 和 OEEM。

    Aug, 2023