一种数据高效的深度学习框架,用于组织病理学图像的分割和分类
我们提出了一种针对医学图像分割的深度学习方法,对于皮肌炎数据集,在 ResNet 系列编码器上,我们的方法相对于 U-Net 和 U-Net++ 的当前最先进技术平均提高了 12.26% 和 12.04%,同时我们还探究了优化损失函数权重的重要性,并在三个具有挑战性的医学图像分割任务上对我们的方法进行了基准测试。
Aug, 2023
本论文提出了一种新的模型结构,将基于补丁的分类模型和整个切片比例的分割模型相结合,以提高自动病理诊断的预测性能,并通过优化方法,使模型部分地进行端到端学习,应用于 WSI 的肿瘤 / 正常预测,与传统基于补丁的方法相比,分类的性能得到了提高。
Oct, 2019
利用 DenseNet-161 和 ResNet-50 预训练 CNN 模型,通过迁移学习的方法对数字组织病理学补丁进行分类,实验结果表明,这种方法可以自动检测和分类疾病,并在分类效果方面表现出色。
Mar, 2019
通过对不同 backbone 的比较,使用单个预训练的深度嵌入提取器将图像转换为深度特征,以此来减少所需的标记数据和加速训练,并使用特征空间增强策略来显著提高在组织学图像分类任务上的 F1 分数。
Mar, 2023
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
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
利用人工智能的数字病理学可以自动分析组织病理切片,自动评估可以提高诊断效率并帮助找出形态特征与临床结果之间的关联。本研究旨在开发一个用于乳腺癌切片上上皮细胞分割的人工智能模型,利用卷积神经网络进行训练,并通过数据增强提高模型的鲁棒性。
Nov, 2023
提出了一种在弱监督学习下用于疾病定位的方法,使用预训练的深度卷积网络、特征嵌入、以及基于多实例学习的顶部实例和负面证据学习等技术,即使在没有像素级别注释的情况下,仅通过图像级标签进行训练也能够展现出与强监督学习相当的性能。
Feb, 2018
本文提出了一种基于自编码器的神经网络架构,用于压缩组织病理学图像,同时保留原始图像的更密集和更有意义的表征。我们提出了一种简单而新颖的方法来监督压缩神经网络,试验表明,我们的方法可以在保持良好压缩率的同时实现更高的图像分类性能。
May, 2023