Jul, 2020

HACT-Net: 一种基于层级细胞到组织图神经网络的组织病理图像分类方法

PDF
TL;DR研究提出了一种新颖的分层细胞 - 组织图（HACT）表示，以及一种分层图神经网络（HACT-Net），用于将 HACT 表示映射到组织学乳腺癌亚型中。该方法通过实体为基础的拓扑分析更符合组织病理诊断程序，从而鼓励进一步将病理学先验纳入任务特定的组织表示。
histopathological structurecell-to-tissue-graphhierarchical graph neural networkbreast cancer subtypespathological priors
发现论文，激发创造
  • 数字病理学中的分层图表示

    本研究提出一种基于多层次组成的组织表征模型来对癌症进行诊断、预测、治疗，并采用基于图的神经网络来学习和识别多层次组成的多组织结构。我们还介绍了 BReAst 癌症亚型识别数据集，并通过比较研究和消融研究证实了我们的方法优于其他方法和病理学家。

    Feb, 2021

  • 利用异构图模型对生物实体的空间关系进行建模，用于乳腺癌的诊断

    本文旨在提出一种基于异构图神经网络的新方法，通过捕获细胞与组织之间的空间和层次关系，增强组织学图像中有用信息的提取，与转换器方法相比，本方法在参数数量和准确性方面都有所突破，在三个公开的乳腺癌数据集中表现出更高的效率和精度。

    Jul, 2023

  • 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

  • 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

  • 组织病理学癌症检测

    癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤，本研究通过深度学习构建了一个潜在的肿瘤预后分类模型，利用组织病理学图像中有价值的信息，选择了 PatchCamelyon 基准数据集，训练了多层感知器和卷积模型，并评估了其精确度、召回率、F1 得分、准确度和 AUC 得分，结果显示基准卷积模型表现优于基准多层感知器模型。此外，本文还引入了 ResNet50 和 InceptionNet 模型，并使用数据增强，其中 ResNet50 能够超越最先进的模型，最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。

    Nov, 2023

  • 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

  • 组织病理学中的图神经网络：新兴趋势和未来方向

    综述了整个切片图像（WSIs）中图神经网络（GNNs）的应用，讨论了它们在组织病理学中的应用，并探讨了未来发展趋势。通过对四个新兴趋势的深入探索，提供了关于 GNNs 在组织病理学分析中发展的见解，并提出了未来的研究方向。该分析旨在通过图神经网络引领研究人员和从业者探索创新的方法和方法，推动组织病理学分析的发展。

    Jun, 2024

  • 基于注意力对抗正则化变分图自编码器的乳腺组织病理图像检索与对比学习特征提取

    提出了一种用于乳腺组织图像检索的新型基于注意力的对抗正则化变分图自编码器模型，结合聚类引导的对比学习作为图特征提取器，评估其在乳腺癌组织图像数据集上的性能并取得了卓越的结果，具有在临床环境中提高诊断性能的潜力，从而最终造福于患者。

    May, 2024

  • 基于图神经网络的数字组织病理学：临床医生的概念和解释

    应对医疗领域深度学习的 “黑箱” 挑战，我们将 GCExplainer（一种自动概念发现解决方案）与 Logic Explained Networks 结合起来，为图神经网络提供全局解释。我们通过使用普遍适用的图构建和分类流程（包括 HoVer-Net 的全景分割和图卷积网络的癌症预测）来展示这一点。通过在乳腺癌的 H&E 切片上训练，我们展示了为临床医生提供可解释和可信赖的人工智能工具的有希望结果。

    Dec, 2023