Feb, 2020

利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

PDF
TL;DR本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。
medical imagesneural networkmultiple instance classifierpixel-level saliency mapsbreast cancer screening
发现论文，激发创造
  • 面向全球的乳腺癌筛查多实例分类器

    本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。

    Jun, 2019

  • 深度神经网络改善放射科医生乳腺癌筛查的表现

    本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

    Mar, 2019

  • 多视角深度卷积神经网络实现高分辨率乳腺癌筛查

    本文提出了使用多视角深度卷积神经网络处理高分辨率医学影像的方法，通过在大规模乳腺 X 线片筛查中测试，结果表明训练集大小和图像大小对准确预测的影响，模型的性能与放射学家委员会相当。

    Mar, 2017

  • 多尺度深度分类器使用于乳腺 X 线摄影评估

    利用卷积神经网络对乳腺 X 光造影图像进行分类，提出了一种高性能组织评估方法，采用局部组织分类器的方法在不同尺度上对可疑发现的组织块进行分类，使 AUC 超过了 0.9，并使用该方法生成了适用于临床设置的显著性图像。

    Jun, 2018

  • 使用深度卷积神经网络对乳腺 X 线摄影异常进行检测

    针对乳腺癌的计算机辅助检测方法，通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类，实现对钙化和肿块的分类和定位，以降低放射科医师的成本和工作量。

    Mar, 2018

  • 逼近实际环境下乳腺 X 线片弱监督学习的乳腺癌预测

    自动提前检测乳腺癌的方法可以显著降低死亡率，但由于太多的限制条件，这些方法在医院中的普及目前受到阻碍。本研究通过两个公共数据集和一个自有数据集的研究，在现实临床环境中应用了两级多实例学习方法，通过弱监督学习在病例级别进行乳腺癌预测，为所有患者提高预测准确性，尤其需要关注无监督 ROI 提取的研究。

    Oct, 2023

  • 使用深度学习在乳腺 X 线照片中检测和分类病变

    本论文提出了一种基于 Faster R-CNN 的 CAD 系统，该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变，且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。

    Jul, 2017

  • 使用深度学习进行乳腺癌检测

    本文旨在提供一种基于 CNN 和深度学习的乳腺癌检测模型，该模型通过重建微波成像扫描数据并使用多种不同的 CNN 架构进行特征提取和肿瘤检测，最终得出使用 NASNetLarge 模型的 CNN 模型具有较高准确率和较低损失的结论，为微波成像技术在乳腺癌筛查中的应用提供了新的研究方向。

    Apr, 2023

  • 使用启发式辅助的 Trans-Res-U-Net 和多尺度 DenseNet 进行乳腺癌智能诊断

    通过提出的深度学习方法，利用乳房 X 线摄影图像进行乳腺癌筛查，本研究展示了该方法在早期疾病检测方面具有更高的准确率，从而有可能提升基于乳房 X 线摄影的筛查方法学。

    Oct, 2023

  • IAIA-BL: 数字乳腺 X 线摄影乳类病变分类的基于案例的可解释深度学习模型

    在这项工作中，我们提出了一个针对乳腺 X 线摄影术的可解释机器学习框架，以预测病变性质并追踪放射科医生的推理过程，同时，我们的算法能够突出显示图像中与分类相关的部分，而其他方法则突出显示健康组织和干扰信息。

    Mar, 2021