Dec, 2019

肺和结肠癌组织病理图像数据集（LC25000）

PDF
TL;DR本研究创建了一个包含 25,000 张医学图像的数据集（LC25000），包括多种组织病理类型，为机器学习和人工智能领域的研究提供了一个可用的数据资源。
machine learningartificial intelligencemedical image datasetslc25000histologic entities
发现论文，激发创造
  • 探索可解释人工智能技术以提高肺癌和结肠癌分类的可解释性

    利用深度学习方法对肺癌和结肠癌进行组织学图像分类，取得了 97% 至 99% 的准确率，并通过注意力可视化技术提高了恶性和良性图像分类的解释性和理解。

    May, 2024

  • 组织病理图像的再识别

    相对简单的深度学习算法可以以相当高的准确率重新识别出大量组织病理学数据集中的患者，为此我们提出了一个风险评估方案以在出版之前评估患者的隐私风险。

    Mar, 2024

  • 基于机器学习的肺部和结肠癌检测：深度特征提取和集成学习

    本研究利用深度学习和机器学习技术设计了一个混合集成特征提取模型，用于高效自动识别肺癌和结肠癌，模型在肺癌、结肠癌和肺癌与结肠癌的数据集上的准确率分别达到 99.05%、100% 和 99.30%。

    Jun, 2022

  • 基于组织病理学癌症类型注释的肺部结节数据集

    提供公开数据集和可靠工具，用于精确分类不同类型的肺部疾病，以便提供精确的治疗建议。

    Jun, 2024

  • 有限数据访问情境下的深度学习结肠癌检测研究

    该研究使用基于深度学习的模型探讨了在组织分类问题中，通过利用组织之间的结构特征解决数据不足的问题。研究进一步表明，借助少量或无淋巴节点数据，利用原始肿瘤组织或通过 Cycle-GANs 变换的乳腺癌数据训练的模型可以用于发现其他器官的癌症细胞扩散情况。

    May, 2020

  • 肺腺癌生长模式整张切片图像分类的细胞分布表示

    本研究针对肺腺癌提出了一个新颖的机器学习流程，能够将组织细胞划分为五个主要的组织学增长模式之一或非肿瘤状态，并通过在新数据上取得约 30% 更高的准确性，提供了异常扩展性。该模型所得的见解可用于预测患者预后，改善患者预后效果。

    Nov, 2023

  • PanNuke 数据集扩展、见解和基线

    本研究旨在探讨如何利用深度学习算法对组织切片图像的细胞核进行分割和分类，并针对目前深度学习算法在实际医疗应用方面面临的挑战提出建议和研究方向。

    Mar, 2020

  • 利用人工智能搜索归档的组织病理学图像进行全癌种诊断共识

    本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中，通过搜索最大的公共存储库之一，本文显示出当足够的可搜索案例数量可用于每种癌症亚型时，计算机一致性似乎可以用于诊断。

    Nov, 2019

  • 基于人工智能的组织病理学图像癌症检测和分类：系统综述

    本研究通过系统文献综述，总结了癌症诊断的最新技术，关注了人工智能及其在自动癌症诊断方面的发展，总结了相关文献，并对其局限性提出了新的研究方向。

    Jan, 2022

  • 乳腺组织病理学 H&E 全切片图像的公开数据集：系统综述

    通过对乳腺癌组织标本图像的数据集进行系统回顾，发现了 12 个公开的数据集，并对每个数据集的元数据和特征进行了报告，同时编制了一个文章中使用的补充资源列表。此外，还强调了建立乳腺癌 WSI 数据集元数据报告指南的必要性。

    Jun, 2023