从相邻染色组织中学习黑色素细胞掩膜
通过研究利用 MelanA 和 H&E 染色组织切片的深度学习支持系统,我们发现 MelanA 分类器与基准 H&E 分类器表现相似,可以通过多染色分类进一步提高性能,为病理学家的临床工作提供帮助。
Sep, 2023
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
该研究使用多表位配体地图(Multi-Epitope-Ligand Cartography,MELC)对疑似黑色素瘤样本进行细胞水平的组织表征并构建了表示该表征的图表,进而采用图神经网络进行训练。该技术与方法组合的皮肤疾病图像分类准确率高达 87%,比现有方法提高 10%。
Nov, 2022
本文提出了一种基于免疫组织化学和深度学习的数字化前列腺切除切片上细胞分割的新方法,通过该方法可以较为精确地区分上皮组织和其他组织,并对其进行细胞级分割,从而实现对前列腺癌的自动检测和分级。
Aug, 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
本研究利用深度学习方法,通过提取细胞核密度区域进行分类,通过 fine-tuning 原始的 Inception-v3 卷积神经网络,从而达到了对四种类型的 H&E 染色乳腺组织图像进行分类,并获得了高达 85% 的整体精确度和 93% 的癌症诊断精确度。
Feb, 2018
该研究提出了一种简单而新颖的基于卷积神经网络(CNN)的 “网络中的网络” 方法,用于分割皮肤病变。作者使用了一种名为 Faster RCNN 的方法进行预处理,配合 UNet 和 Hourglass 网络实现皮肤病变的分割。在 ISIC 2018 数据集上,该方法的 Dice 相似度系数达到 0.915,准确率达到 0.959,在 ISBI 2017 数据集上,Dice 相似度系数达到 0.947,准确率达到 0.971。
May, 2020
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。
Sep, 2021
本研究提出了一种有针对性的图像搜索方法来改善肿瘤检测和癌症诊断。通过多种免疫组化染色技术,将图像合并生成复合标记物图像,并利用深度学习技术实现对癌变或异常组织信息的高效筛查,从而提高了搜索引擎的精确度。
Apr, 2023
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