上下文感知卷积神经网络用于结直肠癌组织学图像分级
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
使用细胞图卷积神经网络(CGC-Net)将大肠癌组织学图像转化为图形,并采用 Adaptive GraphSage 技术融合不同层级的特征,以有效地对普通基于补丁的方法及上下文相关的基于补丁的技术进行超越,描述新型的 CRC 分级方法。
Sep, 2019
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
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
通过系统比较不同的神经网络结构来确定如何包含多尺度信息对组织学图像的分割性能产生影响,结果表明,视觉上下文和尺度在组织学图像分类问题中起着关键作用。
Jun, 2018
本研究提出了一种 Patch-GCN 算法,该算法可以对肿瘤微环境中的局部和全局拓扑结构进行建模,从而对患者的生存预后进行更好的预测。该算法通过 4,370 张 WSIs 的验证,在 5 种不同的癌症类型中,表现出比之前研究中所有的弱监督方法都要好。
Jul, 2021
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
此论文研究了乳腺组织的分类问题,提出了一种基于卷积神经网络的 “补丁 - 图像” 分类方法,并利用 ICIAR2018 数据集进行验证,在验证数据集上获得了 95% 的分类精度。
Mar, 2018
本研究提供了一种用于标准化组织学染色的完全自动化、端到端基于学习的设置,该设置考虑了组织的纹理上下文,并通过结合来自长短时记忆单元的门控元素的批量归一化框架来扩展特征感知归一化。为了实现优秀的标准化结果并确保颜色和纹理的一致表示,作者将预训练的深度神经网络作为特征提取器来引导像素处理管道,并使用颜色直方图偏差、结构相似性和颜色体积等指标对不同方法进行评估。
Aug, 2017