Sep, 2019

CGC-Net：用于结直肠癌组织学图像分级的细胞图卷积网络

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 使用卷积神经网络对结肠组织进行分类中需进行染色归一化的重要性

    本文使用卷积神经网络（ConvNets）提出了一种用于直肠癌组织分类的系统，并探究了组织分类中染色归一化的重要性，同时报告了ConvNets在一批直肠癌样本和一组公开的结直肠H&E图像数据集上的表现。

    Feb, 2017

  • MILD-Net: 腺体实例分割中最小信息损失扩张网络在结肠组织学图像中的应用

    本研究提出了一种基于完全卷积神经网络的方法，利用反卷积和空间上的金字塔池化，实现对结肠镜病理学图像中的腺体分割；此外，还使用随机变换来生成不确定性图以解决了高不确定性预测的问题，并且通过实验验证了模型性能优于现有方法。

    Jun, 2018

  • 上下文感知卷积神经网络用于结直肠癌组织学图像分级

    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

  • 组织病理学中的直方图图表

    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

  • 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

  • 结直肠癌组织学切片多任务学习的组织分割和肿瘤检测

    使用U-Net多任务模型结合颜色和统计学增&测试时增强，来实现对组织分割和肿瘤检测的自动化，以期解决由于公共数据集稀缺和图像变异导致的困难。在CRC检测（SemiCOL）2023挑战上，该方法在被部分标注的数据集上取得了.8655的Dice分数（Arm 1）和.8515的Dice分数（Arm 2）用于组织分割，并在肿瘤检测方面分别达到了.9725（Arm 1）和.9750（Arm 2）的AUROC值。

    Apr, 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

  • C2P-GCN: 细胞到区块图卷积网络用于结直肠癌分级

    我们提出了一种新颖的细胞至块状图卷积网络(C2P-GCN)，该方法通过双阶段图形构建，将整个WSI的结构数据整合到单个图中，有效地在腺癌病理图像中收集局部结构细节，并在所有块状图像之间建立有意义的连接。C2P-GCN通过将整个WSI的结构数据整合到单个图中，使我们的模型能够使用比最新的结直肠癌模型更少的训练数据，实验证明了我们方法的有效性。

    Mar, 2024

  • NCT-CRC-HE: 并非所有的组织病理学数据集都同样有用

    本研究探讨了在组织病理图像分析中广泛应用的NCT-CRC-HE-100K结肠癌数据集，揭示了由于不当的颜色标准化和JPEG压缩伪影等问题，数据集结果可能受到特定偏差的影响。通过实验表明，简单模型的准确率可超过50%，而基础高效网络模型甚至能达到97.7%的准确率，显著超越了以往的方法，突显了数据集的潜在问题和研究的风险。

    Sep, 2024