Apr, 2023

结直肠癌组织学切片多任务学习的组织分割和肿瘤检测

PDF
TL;DR使用 U-Net 多任务模型结合颜色和统计学增 & 测试时增强，来实现对组织分割和肿瘤检测的自动化，以期解决由于公共数据集稀缺和图像变异导致的困难。在 CRC 检测（SemiCOL）2023 挑战上，该方法在被部分标注的数据集上取得了.8655 的 Dice 分数（Arm 1）和.8515 的 Dice 分数（Arm 2）用于组织分割，并在肿瘤检测方面分别达到了.9725（Arm 1）和.9750（Arm 2）的 AUROC 值。
发现论文，激发创造
  • 细胞检测和分割的弱监督多任务学习

    本研究使用深度学习算法和点标签编码方法，实现对 PMS2 染色大肠癌和扁桃体组织图像进行单个细胞检测和分割的目标，相比现有技术，本算法在不增加标注工作的情况下显著提高了细胞检测和分割的效果。

    Oct, 2019

  • 组织学肿瘤弱监督多实例学习分割

    本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在 The Cancer Genome Atlas 和 PatchCamelyon 数据集上进行了评估，显示出一定的潜力.

    Apr, 2020

  • AG-CRC: CT 中基于解剖学指导的结肠癌分割与非理想解剖学知识

    利用自动生成的器官掩模辅助肠直肠癌（CRC）的 CT 图像分割，提出了一种新颖的解剖引导分割框架（AG-CRC），通过多器官分割、训练块采样策略、自监督学习方案和掩模损失机制，实现了 5% 至 9% 的性能改进。

    Oct, 2023

  • 用于高效半监督组织学图像分类的师生连锁模型

    该论文应用半监督的师生知识蒸馏技术，使用 0.5% 的标记数据达到了与 100% 标记数据相同的准确率，减轻了标注负担，提高了自动数字病理学系统的可承受性。

    Mar, 2020

  • 基于 H&E 染色图像的临床信息启发的多实例学习框架用于患者级别结直肠癌分子亚型分类的研究

    通过使用深度神经网络（DNN）和多示例学习技术（MIL），结合临床先验知识，构建了一个名为 “CIMIL-CRC” 的模型，用于鉴别结直肠癌的亚型，结果显示其在区分不同亚型及患者级别分类方面表现优异。

    Jan, 2024

  • 自监督学习提高了多种癌症组织学幻灯片中的 dMMR/MSI 检测

    本研究采用自监督学习方法，通过在来自 TCGA 数据集的组织学图像上训练神经网络，实现对 MSI 肿瘤的准确检测，相较于以往对 ImageNet 预训练的神经网络的结果，获得了更高的 AUC 值，实验表明 MoCo V2 特征更能准确地检测 MSI 且具有较好的泛化能力。

    Sep, 2021

  • 对抗式 CAC-UNet 多级结肠镜恶性组织检测

    本研究提出了一种高效的多级恶性组织检测方法，可用于自动和客观的医学诊断模型，以达到早期癌症检测目的，从而降低死亡率。通过使用设计的对抗性 CAC-UNet 的补丁级模型和恶性区域引导标签平滑处理，以消除负面 WSIs，以降低误检风险。在多模型集合选择的关键补丁上，设计了 CAC-UNet 来实现稳健分割，其中镜像设计的鉴别器能够无缝融合精心设计的强大背骨网络的整个特征图，没有任何信息丢失。此方案在 MICCAI DigestPath2019 挑战赛结肠镜组织分割和分类任务中取得了最佳结果。

    Jun, 2020

  • 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

  • 基于图像合成的晚期癌症增强和 MRI 直肠癌分期的半监督分割

    利用影像综合数据增强和半监督学习的方法，提高判断直肠癌的分割准确性和结直肠 T 分期预测算法的特异性和敏感性。

    Dec, 2023

  • 使用 U-Net 和膨胀卷积进行结肠息肉分割

    本文提出了一种用于结肠镜检查中结肠息肉图像分割的深度学习框架，该框架具有编码器和解码器，通过引入扩张卷积和简化的解码器来实现优化特征表示能力以及减少参数数量，在 CVC-ClinicDB 和 ETIS-Larib Polyp DB 上取得了最新研究成果。

    Dec, 2019