May, 2019

利用自动化的乳腺癌检测技术识别浸润性乳腺癌中肿瘤浸润淋巴细胞的空间分布

HTML
PDF
TL;DR本研究研发和评估了卷积神经网络（CNN）分析流程来生成乳腺癌全套组织图像（WSI）中的癌症区域和肿瘤浸润淋巴细胞（TIL）的组合图，旨在定量评估Tumor-TIL空间关系，结果比当前最佳方法表现更好，并生成了开放源代码工具和公共数据集。
发现论文，激发创造
  • 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

  • ScanNet: 一种快速稠密的滑片图像扫描框架，用于乳腺癌转移的检测

    本文研究了利用卷积神经网络的计算机诊断技术在乳腺癌病理学中的应用，从组织样本的全幅图像中快速自动检测淋巴结转移的新方法，并且在2016年Camelyon Grand Challenge的数据集上取得了优异的性能，不仅比其他同类方法检测肿瘤定位的速度更快，而且在WSI分类任务上超越了人类表现。

    Jul, 2017

  • 神经条件随机场在癌症转移检测中的应用

    该研究提出一种神经有条件随机场（NCRF）深度学习框架，以检测WSIs中的癌症转移，并改善了基线方法在癌症转移检测上的性能。

    Jun, 2018

  • 克服基于 Patch 学习的限制，用于识别全扫描切片图像中的癌症

    本文讨论如何将深度学习用于对大型WSI图像进行癌症检测， 比较分析基于图像块或幻灯片的分类与需要在整个幻灯片上准确定位或分割癌症的方法之间的差异，并提出一种负数据采样策略，可显着降低假阳性率，并在肿瘤范围的错误率上取得15%的减少。

    Dec, 2020

  • BRACS：一个乳腺癌HE组织学图像亚型划分数据集

    本文介绍了BReAst Carcinoma Subtyping（BRACS）数据集，这是一个包含547张WSI和4539个感兴趣区域（ROIs）的大型数据集，可以帮助进一步了解乳腺癌的特征以及利用人工智能技术对其进行诊断和分类。

    Nov, 2021

  • 乳腺组织病理学H&E全切片图像的公开数据集：系统综述

    通过对乳腺癌组织标本图像的数据集进行系统回顾，发现了12个公开的数据集，并对每个数据集的元数据和特征进行了报告，同时编制了一个文章中使用的补充资源列表。此外，还强调了建立乳腺癌WSI数据集元数据报告指南的必要性。

    Jun, 2023

  • 利用异构图模型对生物实体的空间关系进行建模，用于乳腺癌的诊断

    本文旨在提出一种基于异构图神经网络的新方法，通过捕获细胞与组织之间的空间和层次关系，增强组织学图像中有用信息的提取，与转换器方法相比，本方法在参数数量和准确性方面都有所突破，在三个公开的乳腺癌数据集中表现出更高的效率和精度。

    Jul, 2023

  • 乳腺癌肿瘤浸润淋巴细胞评分的自动化流水线

    本研究引入一种创新的基于Efficient-UNet架构的深度学习流程，用于计算乳腺癌全切片图像中的肿瘤浸润淋巴细胞（TILs）得分。该方法在分割肿瘤/基质区域和检测TILs方面展示了最先进的性能，并在预测生存结果中证明了竞争力，显示了我们自动化TILs评分系统作为乳腺癌预后工具的临床相关性和潜力。

    Nov, 2023

  • 通过数据中心策略优化乳腺癌全切片图像中的淋巴细胞检测

    淋巴细胞在组织病理学切片中的高效、准确量化对于肿瘤微环境和免疫治疗反应的表征至关重要。我们开发了一个基于数据的优化流程，利用现成的YOLOv5模型在不进行任何结构修改的情况下实现了出色的淋巴细胞检测性能。我们的工作依赖于策略性的数据集增强策略，包括新颖的生物上采样和定制的视觉连贯转换，针对组织图像的独特特性进行设计，从而大大提高了模型的性能。我们的优化揭示了一个关键的实现：在进行了密集定制化之后，标准的计算病理学模型可以实现高能力的生物标志物开发，而不增加架构复杂性。我们展示了这种方法在乳腺癌背景下的兴趣，证明我们的策略可以实现良好的淋巴细胞检测性能，引发了广泛的影响性的范式转变。此外，我们的数据整理技术提供了关键的组织学分析基准，突显了提高的通用潜力。

    May, 2024

  • 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