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
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
综述了整个切片图像(WSIs)中图神经网络(GNNs)的应用,讨论了它们在组织病理学中的应用,并探讨了未来发展趋势。通过对四个新兴趋势的深入探索,提供了关于 GNNs 在组织病理学分析中发展的见解,并提出了未来的研究方向。该分析旨在通过图神经网络引领研究人员和从业者探索创新的方法和方法,推动组织病理学分析的发展。
Jun, 2024
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
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
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
本文介绍了一种基于上下文感知的神经网络,可以用于对数字组织病理学图像进行更高分辨率的分析,并在结肠癌分级和乳腺癌分类方面获得了比传统方法更好的结果。
Jul, 2019
本综述论文介绍了基于图卷积网络(GCN)的医学图像分析的最新研究进展,包括放射学和组织病理学数据,讨论了 GCN 在疾病诊断和患者康复中的应用,以及其在模型解释、大规模基准测试等方面的技术挑战和发展趋势。
Feb, 2022
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
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