Feb, 2022

计算细胞学的深度学习：一项调查

PDF
TL;DR本文调查了 120 多篇基于深度学习的细胞学图像分析研究，介绍了全监督、弱监督、无监督和迁移学习等深度学习方法，并系统总结了公共数据集、评估指标、分类、检测等多种深度学习应用，探讨了细胞学计算的挑战和未来研究方向。
发现论文，激发创造
  • 计算组织病理学的深度神经网络模型：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

  • 基于病理学和阴道镜图像的宫颈癌诊断的深度学习技术

    深度学习在宫颈癌筛查和诊断方面展示了显著的效率提升和速度增加，有望帮助我们实现早期诊断，挽救生命。

    Oct, 2023

  • 基于先进深度学习的弱监督、半监督和自监督技术在组织病理学图像分析中的标签高效自动诊断和分析：全面调查

    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

  • 从组织病理学图像生成细胞学图像的可行性研究

    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

  • 单细胞分析中的深度学习

    本文全面调研并综述了深度学习在单细胞分析中的应用现状及其在多个单细胞分析任务中的表现和优势，提供单细胞分析研究者和计算机科学家合作的参考。

    Oct, 2022

  • 医学图像分析的深度学习调查

    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

  • 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

  • 组织病理学图像分析的机器学习方法

    本文介绍了使用机器学习算法分析数字病理学图像的应用，解决数字病理学图像及相关任务中存在的问题，并提出了可能的解决方案。

    Sep, 2017

  • 一种基于专家驱动的组织切片图像数据生成流程

    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

  • 计算肿瘤病理学中机器学习方法的综述、挑战和前景

    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