Jan, 2023

减少深度卷积激活特征 (R-DeCAF) 在组织病理学图像中用于提高乳腺癌诊断分类性能

PDF
TL;DR本文提出一种基于深度卷积神经网络（DCNN）的计算机辅助诊断（CAD）方法，使用不同的降维方法组合 DCNN 的特征，提高二分类任务的准确性。实验结果表明，在 BreakHis 数据集上，使用预训练 AlexNet 作为特征提取器和线性降维算法 PCA，在 23 个特征向量和累计解释方差（CEV）为 0.15 的情况下，可以将分类准确性提高 4.3％至 91.13％。
发现论文，激发创造
  • DeCAF：用于通用视觉识别的深度卷积激活特征

    本文介绍了一种基于深度卷积网络提取特征的方法，该方法可以将原来应用于特定任务的深度卷积网络迁移到其他任务中，实现了在多个重要视觉挑战中超越现有技术的效果，并发布了开源工具 DeCAF 和所有相关网络参数。

    Oct, 2013

  • 使用深度卷积神经网络对乳腺 X 线摄影异常进行检测

    针对乳腺癌的计算机辅助检测方法，通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类，实现对钙化和肿块的分类和定位，以降低放射科医师的成本和工作量。

    Mar, 2018

  • 利用可转移特征的上下文感知学习进行乳腺癌组织学图像分类

    使用基于 CNN 的分类激活特征和重叠图像块的特征来实现基于上下文信息的乳腺癌分类方法。结果表明，该方法在小数据集上比现有算法表现更出色。

    Feb, 2018

  • 精确的宫颈癌阴道镜图像分类中，深度学习描述符与特征降维的混合化

    通过使用不同的深度学习描述符（ResNet50、ResNet101 和 ResNet152）以及适当的特征归一化（最小 - 最大）和特征约简技术（LDA），我们提出了一种新颖的计算机辅助诊断（CAD）系统，该系统在妇科癌症预防方面取得了异常的性能。我们在由世界卫生组织提供的 IARC 数据集上进行了实验，该数据集经过了初始的分割和平衡。我们的方法在正常和异常分类以及类型分类方面的表现范围为 97% 至 100%，同一数据集上的另一竞争性方法的性能为 81% 至 91%。

    May, 2024

  • 基于可变形卷积网络的大规模乳腺 X 光计算机辅助诊断

    本文介绍了一种基于 R-FCN/DCN 神经网络架构的新型乳腺 X 光的深度学习方法，应用于乳腺癌的检测。经过训练和测试，该方法在竞争环节中的 DREAMS 挑战中表现出色，取得了 0.879 的 ROC 曲线下面积，优于其他任何提交的结果。

    Feb, 2019

  • 使用卷积神经网络和随机视图聚集提高计算机辅助检测

    本研究设计了一个分层级联的计算机辅助检测系统用于医学影像，包括候选区域的生成和基于卷积神经网络的分类方法，成功提高了三种癌症（骨转移、淋巴结和结直肠息肉）的 CAD 检测性能，并综合展示了该方法在各种医学影像 CAD 检测中的应用前景。

    May, 2015

  • 深入探讨数据集偏差

    本文通过研究不同表示下的现有去偏方法的表现，旨在验证在面临数据集偏差问题时使用 DeCAF 特征的潜力，并就数据集偏差问题的哪些方面是已经解决的，哪些方面是需要解决的进行分析。

    May, 2015

  • 使用深度学习在乳腺 X 线照片中检测和分类病变

    本论文提出了一种基于 Faster R-CNN 的 CAD 系统，该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变，且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。

    Jul, 2017

  • 卷积神经网络在乳腺癌筛查中的应用：指数衰减下的迁移学习

    本文提出一种基于卷积神经网络模型的计算机辅助诊断系统，通过迁移学习和微调层次，探索了在大数据稀缺的情况下分类乳腺肿块病变的方式，与其他方案相比表现更佳。

    Nov, 2017

  • 基于概念激活向量的深度学习皮肤病变分类器可解释性研究

    该研究使用了一个经过训练的神经网络，通过激活向量概念来介绍了深度学习的医学图像分类器，以验证模型学习和利用类似于皮肤科医师所描述和使用的疾病相关概念，并且进一步开发 CAV 的神经网络。

    May, 2020