Apr, 2023

基于迁移学习的乳腺癌组织病理图像检测深度分析

PDF
TL;DR本研究使用 2453 个组织病理学图像数据集，分离有侵袭性导管癌（IDC）和无 IDC 的数据，分析了预训练的深度迁移学习模型如 ResNet50、ResNet101、VGG16 和 VGG19 在检测乳腺癌方面的应用，研究发现 ResNet50 模型的准确率可达 90.2％，曲线下面积（AUC）率为 90.0％，召回率为 94.7％，不适当损失为 3.5％。
发现论文，激发创造
  • 基于深度迁移学习的乳腺癌图像分类方法

    提出了一种结合深度学习和迁移学习的乳腺癌图像分类模型算法，解决了有限样本、耗时的特征设计和低准确率的问题。这个算法基于深度神经网络的 DenseNet 结构，通过引入注意机制构建网络模型，并使用多级迁移学习对增强的数据集进行训练，实验结果表明，该算法在测试集上达到了 84.0％以上的效率，与之前的模型相比显著提高了分类准确度，适用于医疗乳腺癌检测任务。

    Apr, 2024

  • 深度卷积神经网络用于乳腺癌组织学图像分析

    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

  • 基于深度残差神经网络的乳腺癌组织学图像 IDC 预测新方法

    本文提出使用深度残差卷积网络诊断乳腺癌浸润性导管管癌的方法，并对该方法进行评估，结果表明该方法对组织学图像中 IDC 的预测准确率达到 99.29％，AUROC 分数为 0.9996。

    Aug, 2019

  • 乳腺癌组织病理图像分类的双重迁移学习

    该论文提出了一种基于迁移学习和支持向量机分类器的方法，用于对乳腺癌组织病理学图像进行分类，实现了除去不相关区域从而提高分类准确率的目的，相较于现有技术，在 4 个乳腺癌放大倍数中，已有三个倍数的方法表现更为优异。

    Apr, 2019

  • 乳腺癌检测与诊断：深度学习架构的现状比较研究

    本研究研究了应用深度学习模型和新兴模型 “Vision Transformer (ViT)” 进行乳腺癌的检测与诊断，结果表明 ViT 模型在准确性和效率方面均优于其他 CNN 架构，实现了 95.15％的准确率。

    May, 2023

  • 使用密集连接卷积网络评估乳腺癌组织学

    探讨利用密集连接卷积神经网络进行乳腺癌计算机辅助诊断中的组织学图像分类和全扫描图像分割的可行性。采用迁移学习，应用于 2018 年乳腺癌组织学图像大挑战的数据集，并研究不同方法。

    Apr, 2018

  • 通过对血红蛋白和嗜酸性染色组织学图像进行迁移学习改进乳腺癌诊断

    通过使用最新的 BRACS 组织学（H＆E 染色）图像数据集中的感兴趣区域（ROI）图像，我们使用不同的预训练深度学习模型，在处理图像时应用了数据增强、上采样和数据集拆分策略，最终达到了 96.2％的 f1-score，显著提高了乳腺癌肿瘤的早期诊断和鉴别，尤其是不典型和恶性肿瘤，从而改善患者预后并降低患者死亡率。

    Sep, 2023

  • 一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用

    通过改进监督对比学习方法，结合自监督学习和标签数据，在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率，特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。

    May, 2024

  • 卷积神经网络对癌症细胞病理学图像的分类：以乳腺癌为例

    该研究介绍了使用卷积神经网络（CNN）对病理图像进行快速分类的方法，旨在提高乳腺病理图像检测的效率。研究采用了 Inceptionv3 架构和迁移学习算法提取病理图像特征，并引入图像分割概念处理高分辨率图像。通过三种算法：求和、乘积和最大值，聚合每个图像块的分类概率，实验证明该方法有效地提高了乳腺癌病理图像分类的准确性。

    Apr, 2024

  • 用于乳腺癌组织学图像分类的分层 ResNeXt 模型

    介绍了一种分层卷积神经网络系统来对乳腺癌组织学图像进行四种病理分类，使用 BACH 挑战数据集进行评估，测试集上的准确率达到了 0.99，在 BACH 的挑战测试中取得了 0.81 的准确率，排名第八。

    Oct, 2018