May, 2020

SDCT-AuxNet$^θ$: DCT 增强染色去卷积 CNN 附加分类器用于癌症诊断

PDF
TL;DR本文提出了一种新的深度学习体系结构，以分类 ALL 癌细胞图像，并利用卷积神经网络和核 SVM 多模块框架进行预测，并在公共数据集上获得了最佳的加权 F1 得分。
acute lymphoblastic leukemiaconvolutional neural networkscancer diagnosistraining datasetdeep learning architecture
发现论文，激发创造
  • 一种使用元启发式和深度学习方法的急性淋巴细胞白血病诊断模型

    一个基于 ResNet 的特征提取器用于检测急性淋巴细胞性白血病（ALL），结合各种特征选择器和分类器，通过多种迁移学习模型提取深层特征后，利用 MLP 分类器对选定数据集中的 ALL 和 HEM 进行分类，取得了卓越的 90.71％准确性和 95.76％的敏感性，并且在该数据集上优于其他方法。

    Jun, 2024

  • 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

  • 诊断急性淋巴细胞白血病敏感相关生物标志的新型流程

    我们提出了一个新的诊断急性淋巴细胞白血病的流程，通过模拟血液学家的工作流程，对疾病生物标记物敏感并在 ALL IDB1 上实现 96.15% 的准确率、94.24% 的 F1 分数、97.56% 的敏感度和 90.91% 的特异性，该方法还在一个具有挑战性的数据集上表现良好，并且我们的模型是用相对较小的数据集训练的，突显了我们方法在其他具有有限数据可用性的医学数据集中的潜力。

    Jul, 2023

  • 双重积分增强的零化神经网络在 CT 图像支持下使用 ALSOA 促进肺癌分类

    使用 CT 图像提出了一种利用双积分增强的零化神经网络优化 ALSOA 的肺癌分类方法 LCC-DIEZNN-ALSO-CTI，通过对 CT 图像进行预处理、提取统计特征和纹理特征，并在 MATLAB 上实施，分析了该方法与现有方法的性能对比。

    Dec, 2023

  • 多尺度领域对抗多实例 CNN 用于未注释组织病理学图像癌症亚型分类

    本文提出了一种利用深度学习中的多例、领域对抗和多尺度学习框架，从组织病理学图像中识别癌症亚型的新方法，并在 196 个病例中测试，表明该方法比标准 CNN 或传统方法更准确，且与标准病理学家的准确性相当。

    Jan, 2020

  • 使用深度神经网络从显微镜血液涂片图像自动检测急性淋巴细胞白血病亚型

    本研究提出了一种使用深度神经网络对镜下血片图像中不同形状急性淋巴细胞白血病细胞进行自动检测的自动化系统，并可检测多种 ALL 细胞亚型并具有 98％的准确性，并开发了远程诊断软件来提供即时的诊断支持。

    Jul, 2022

  • 多染色多层卷积网络用于多组织乳腺癌图像分割

    我们提出了一种基于卷积神经网络的多类组织分割模型，通过像素对齐的非线性融合实现了局部和全局视野，能够准确检测各种组织类别，并且对于多种染料和扫描仪具有稳定性。

    Jun, 2024

  • 基于 DU-Net 的无监督对比学习在组织学图像癌症分割中的应用

    介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。

    Jun, 2022

  • 用卷积胶囊网络对乳腺癌组织学图像进行分类

    本文提出了一个基于卷积胶囊网络的深度学习解决方案，能够对通过血红蛋白和欧辛染色的乳腺组织活检的四种图像类型进行分类，表现出非常高的准确性和敏感性。

    Apr, 2018

  • 利用自动化的乳腺癌检测技术识别浸润性乳腺癌中肿瘤浸润淋巴细胞的空间分布

    本研究研发和评估了卷积神经网络（CNN）分析流程来生成乳腺癌全套组织图像（WSI）中的癌症区域和肿瘤浸润淋巴细胞（TIL）的组合图，旨在定量评估 Tumor-TIL 空间关系，结果比当前最佳方法表现更好，并生成了开放源代码工具和公共数据集。

    May, 2019