ICCVSep, 2021

一种病理深度学习系统，能够利用皮肤病理学家共识作为基准来分类黑色素瘤样本

PDF
TL;DR该研究介绍了一种病理深度学习系统 (PDLS)，该系统可以对数码全幻灯片图像进行分类诊断，特别是在诊断黑色素瘤和良性黑色素细胞痣时表现出较高的敏感性与优异的性能，可以帮助病理医生明确合适的病理检查先后顺序，缩短患者等待诊治时间，最终改善患者的生命质量。
发现论文，激发创造
  • 皮肤镜图像黑色素瘤识别的深度学习集成

    本文介绍了一种结合深度学习和机器学习的系统，通过分割皮肤病变区域及其周围组织进行黑色素瘤检测，使用公开数据集验证，相比于专家医生的平均准确率高达 76%。

    Oct, 2016

  • 病理学中的 TB 级深度多实例学习用于分类和定位

    该研究使用大规模的有标签数据集训练深度学习模型结合 “多示例学习”，以在针生物镜下进行前列腺癌诊断，并获得了很高的 AUC，为计算病理学领域的决策支持系统部署提供了基础。

    May, 2018

  • 黑素细胞皮肤肿瘤全切片图像中感兴趣区域检测 -- 痣和黑素瘤

    利用深度学习方法对组织学图像进行区域兴趣点检测，能够降低成本、提高癌症诊断速度和准确性，尤其在黑色素瘤皮肤肿瘤方面表现出良好的性能。

    May, 2024

  • 基于深度学习的自动黑素瘤检测：数据净化和增强

    本研究介绍了基于深度学习的黑色素瘤检测系统，包括数据净化和增强工具，通过去除图像的遮挡和用生成对抗网络合成图像来增加数据的多样性。实验证明，该系统相比其他方法表现更为优异。

    Feb, 2019

  • 皮肤病变筛查的自动化自我监督学习

    该研究开发了一种人工智能决策支持工具，通过使用一种先进的目标检测算法，从患者图像中识别和提取所有皮肤病变，进而帮助皮肤科医生鉴别丑小鸭症状（UD），该工具的临床验证研究表明，辅助 AI 后，皮肤科医生的信心提高，与 AI 识别的 UD 的一致性得到改善。

    Nov, 2023

  • 用于鉴定转移性乳腺癌的深度学习

    使用深度学习技术，结合人工病理学家的诊断结果，实现对淋巴结活检全滑片图像中转移性乳腺癌的自动检测，能够在提高病理诊断准确性方面发挥重要作用。

    Jun, 2016

  • 利用自监督对比学习的全幻灯片图像表示进行黑色素瘤一致性回归

    本研究提出一种基于深度学习的黑色素瘤一致性回归模型，利用 SimCLR 方法进行自我监督学习，可以从数字化的 WSI 图像中预测恶性黑素瘤的一致性，实现了对 AI 系统的初步构建。

    Oct, 2022

  • 使用深度神经网络集成的自动皮肤病变分类：基于 ISIC 2018 数据集的皮肤病变分析，旨在参加黑色素瘤检测挑战

    本研究运用深度学习模型通过计算机视觉系统对皮肤镜图像进行分析和诊断，以检测黑色素瘤和恶性皮肤癌，其中测试结果表明 PNASNet-5-Large 模型具有最佳的验证得分 0.76。

    Jan, 2019

  • 分析及比较基于转移学习的皮肤镜图像黑素瘤分类

    结合深度学习技术和迁移学习方法，本文提出了一种系统，用于对黑色素瘤皮肤损伤进行分类和诊断，达到相对较高的准确度，并且可在计算能力较弱的设备上进行预测。

    Dec, 2023

  • WonDerM：基于 Fine-tuned 神经网络的皮肤病变分类

    该研究旨在通过深度学习和神经网络应用于皮肤科图像分析挑战解决皮肤病的预测和分类问题，并在验证数据集和测试数据集中分别实现了 0.899 和 0.785 的准确率。

    Aug, 2018