Jan, 2023

基于深度学习的睾丸组织组织学图像中小管上皮层分割方法

PDF
TL;DR本文提出了一种基于卷积神经网络的自动化测试 icular 组织组织病理图像处理方法，使用深度学习技术实现对睾丸上皮层的自动分割，并取得了较好的结果。
发现论文，激发创造
  • 使用深度学习在带有免疫组化参考标准的 H&E 染色前列腺标本中进行上皮分割

    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

  • 免疫组化指导下的乳腺癌切片中良性上皮细胞、原位病变及浸润上皮细胞的分割

    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

  • 组织病理学癌症检测

    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

  • 利用卷积神经网络和 Transformer 评估肾脏层分割的全幻灯图像

    这篇论文评估了深度学习方法在肾脏层结构分割上的可行性，研究采用了代表性的卷积神经网络和 Transformer 分割方法，并在小鼠肾脏癌症 WSIs 上定量评估了六个深度学习模型，结果显示 Transformer 模型通常优于基于 CNN 的模型。

    Sep, 2023

  • 基于视觉 Transformer 的子宫内膜癌组织学分类的深度学习

    介绍了一种基于转换器的深度学习方法 EndoNet，用于子宫内膜癌的组织学分类。通过使用卷积神经网络提取组织学特征并使用视觉转换器聚合这些特征，将切片基于其视觉特征分类为低级别和高级别类型，该模型在内部和外部测试中表现出良好的性能。

    Dec, 2023

  • 基于深度学习的全切片图像分割与分析通用框架

    本文章基于深度学习方法提出了一种可用于组织病理学图像分析的框架，并在癌症诊断、预后和图像分析等方面取得了良好的效果。

    Jan, 2020

  • 利用卷积神经网络和注意机制进行子宫内膜组织病变智能辅助诊断

    本研究提出一种基于深度学习的 CADx 方法，使用卷积神经网络和注意力机制来对子宫内膜癌进行诊断。实验结果表明，该方法在诊断准确率上优于人类专家和其他深度学习基础算法。

    Apr, 2019

  • 多染色多层卷积网络用于多组织乳腺癌图像分割

    我们提出了一种基于卷积神经网络的多类组织分割模型，通过像素对齐的非线性融合实现了局部和全局视野，能够准确检测各种组织类别，并且对于多种染料和扫描仪具有稳定性。

    Jun, 2024

  • 基于弱监督的组织学图像腺体分割的在线易例挖掘

    提出了一种在线易学例挖掘（OEEM）方法，该方法鼓励网络专注于可信的监督信号而非噪声信号，从而缓解了伪遮罩中不可避免的误报预测的影响，针对腺体数据集的特点，设计了强大的腺体分割框架，其结果在 mIoU 方面超过了许多全监督方法和弱监督方法使腺体分割方法性能提高了 4.4% 和 6.04%。

    Jun, 2022

  • 利用基于深度学习的评估肿瘤相关基质来诊断组织病理学图像中的乳腺癌

    使用卷积神经网络分析乳腺癌患者的肿瘤相关基质来诊断，该系统在处理了 646 例乳腺组织活检标本后被证明具有较强的诊断能力，达到了 0.92 的 ROC 曲线下面积。

    Feb, 2017