计算细胞学的深度学习:一项调查
本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析,从 130 多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。
Dec, 2019
该研究综述了计算病理学领域中基于弱监督学习、半监督学习和自监督学习方法的最新研究,重点讨论了这些技术所面临的关键挑战和未来的发展趋势。
Aug, 2022
通过使用生成模型,如 CycleGAN 和神经风格迁移,将公开可用的乳腺组织学样本转化为合成的细胞学图像,我们研究了医学影像领域中的自动化和深度学习技术的应用,通过测量 FID 和 KID 分数发现所生成的细胞学图像与真实的乳腺细胞学样本非常相似。
Mar, 2024
该论文回顾了与医学图像分析相关的主要深度学习概念,并总结了 300 多项协同研究的成果,大部分研究在过去一年内发表。文中调查了深度学习在图像分类、物体检测、分割、注册等任务中的使用并提供了应用领域的简介。同时也探讨了未来研究的开放性挑战和方向。
Feb, 2017
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
通过允许专家在数据集生成过程中融入领域知识,我们提出了一种用于细胞分割的合成数据集生成方法,可以有效地训练深度学习实例分割模型,克服了医学领域中稀缺且昂贵的注释数据的限制。
Jun, 2024
本研究综述了计算病理学在肿瘤筛查、诊断和预后应用方面面临的挑战和前景,给出了从病理和技术角度的图像预处理方法和基于机器学习的方法,以及在乳腺、结肠、前列腺、肺和各种肿瘤疾病场景中应用计算病理学的情况。
May, 2022