Aug, 2019

组织病理学中的直方图图表

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 深度卷积神经网络用于乳腺癌组织学图像分析

    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

  • 使用密集连接卷积网络评估乳腺癌组织学

    探讨利用密集连接卷积神经网络进行乳腺癌计算机辅助诊断中的组织学图像分类和全扫描图像分割的可行性。采用迁移学习，应用于2018年乳腺癌组织学图像大挑战的数据集，并研究不同方法。

    Apr, 2018

  • CGC-Net：用于结直肠癌组织学图像分级的细胞图卷积网络

    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

  • 使用图卷积神经网络进行组织病理学图像的可视化

    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

  • HACT-Net:一种基于层级细胞到组织图神经网络的组织病理图像分类方法

    研究提出了一种新颖的分层细胞-组织图（HACT）表示，以及一种分层图神经网络（HACT-Net），用于将 HACT 表示映射到组织学乳腺癌亚型中。该方法通过实体为基础的拓扑分析更符合组织病理诊断程序，从而鼓励进一步将病理学先验纳入任务特定的组织表示。

    Jul, 2020

  • 数字病理学中的分层图表示

    本研究提出一种基于多层次组成的组织表征模型来对癌症进行诊断、预测、治疗，并采用基于图的神经网络来学习和识别多层次组成的多组织结构。我们还介绍了BReAst癌症亚型识别数据集，并通过比较研究和消融研究证实了我们的方法优于其他方法和病理学家。

    Feb, 2021

  • 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

  • 非对称共同训练结合可解释性细胞图集成在组织病理图像分类中的应用

    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

  • 细胞图变换器用于细胞核分类

    核分类是计算机辅助诊断中的关键步骤，本文提出了一种基于细胞图变换器的新方法，通过在细胞图中处理节点和边缘作为输入标记，实现了可学习的邻接和信息交换，结合拓扑感知的预训练方法，显著提高了核分类结果并达到了最先进的性能。

    Feb, 2024

  • 组织病理学中的图神经网络：新兴趋势和未来方向

    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