基于图卷积网络的前列腺 TMA 弱监督分类

Oct, 2019

基于图卷积网络的前列腺 TMA 弱监督分类

Weakly Supervised Prostate TMA Classification via Graph Convolutional Networks

Jingwen Wang, Richard J. Chen, Ming Y. Lu, Alexander Baras, Faisal Mahmood

TL;DR本文提出了一种使用图卷积网络（GCN）进行组织微阵列（TMA）级别标注的弱监督方法，作为格里森分数的客观评级替代方案，并通过对细胞形态学特征的自监督学习，实现了对组织生成、肿瘤细胞群落结构的更好建模。五倍交叉验证结果显示，该方法可以在 TMA 级别标注下达到 0.9659±0.0096 的 AUC 值，具有显著性能提升。

Abstract

Histology-based grade classification is clinically important for many cancer types in stratifying patients distinct treatment groups. In prostate cancer, the gleason score is a grading system used to measure the aggressiveness of prostate cancer from the spatial organization of cells a

cancer grade classification gleason score deep learning graph convolutional networks self-supervised learning

发现论文，激发创造

结合弱监督和强监督对前列腺癌组织学图像进行分类

本研究通过联合训练两个数据集以及引入一种梯度更新机制，旨在自控弱监督信号，基于大型弱标记数据集和小型强标记数据集，自动赋予前列腺癌全层切片的格里森分数的任务。我们的方法在与标准格里森评分方法比较时取得了优异的性能。

Nov, 2018

一种基于注意力机制和多分辨率的前列腺全扫描图像分类和定位模型

本文提出了一种基于注意力机制的多实例学习模型，用于幻灯片级别癌症分级和弱监督区域兴趣检测，并在前列腺癌中进行了实验，其利用可视化显著性图来选择信息瓷砖，提高了细粒度等级分类的性能。

May, 2019

评估深度学习在前列腺癌自动格里森分级中的性能

通过利用数字病理学和人工智能，该研究探索了 11 种深度神经网络架构在自动化前列腺癌格里森分级中的潜力，重点比较了传统和最新的架构。使用基于 AUCMEDI 框架的标准化图像分类流程，在具有 34,264 个注释组织切片的内部数据集上进行了强大的评估。结果显示不同架构的敏感性各不相同，其中 ConvNeXt 表现最好。值得注意的是，即使在区分紧密相关的格里森分级方面存在挑战，新的架构也取得了优越的性能。ConvNeXt 模型能够在复杂性和泛化能力之间学到平衡。总的来说，该研究为改善前列腺癌诊断效率奠定了基础。

Mar, 2024

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

DeepGleason: 使用深度神经网络进行前列腺癌 Gleason 分级的自动化系统

利用深度神经网络和全幅组织病理图像，我们提出了 DeepGleason：一种用于自动 Gleason 评分的开源深度神经网络图像分类系统，展示了其在准确和可靠的 Gleason 评级方面的较高性能。

Mar, 2024

通过 Gleason 评分标准深度探究：组织学前列腺分级和网格图案检测的自动化端到端系统

本篇论文旨在开发基于深度学习技术的系统，以支持病理学家对前列腺活检材料进行分析，并从中检测 Gleason 网格 4 的癌性模式。通过训练自设计的简单神经网络模型，我们获得了比现有模型更好的 Gleason 等级分类结果，并且在癌性模式检测和活检 Gleason 评分方面也取得了良好的效果。

May, 2021

NMGrad: 利用弱监督深度学习推进组织病理学膀胱癌分级

通过使用组织切片进行分级，利用卷积神经网络进行特征提取，并采用嵌套多实例学习方法和注意力机制预测恶性程度，该研究提出了解决膀胱癌分级的新方法，经临床评估表明该模型优于现有的先进方法。

May, 2024

大规模数字前列腺病理图像分析：特征提取与深度神经网络结合

本文介绍了一种结合人工和深度神经网络特征提取的分析流程，并直接操作于数字扫描仪所生成的全幅图像上，实现了前列腺癌癌区定位、分级、提取 Gleason 分级的面积比率和细胞 / 结构特征，最终通过对 368 个全幅图像进行测试，成功在區分 Gleason 3+4 和 4+3 的幻灯片方面达到了 75％的总体准确性。

May, 2017

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

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