使用循环一致生成对抗网络(CycleGANs)进行图像转换并生成人工合成结肠息肉图像,利用生成图像来增强数据集的训练效果,提高卷积神经网络(CNN)检测息肉的 AUC 值,该方法为解决组织病理学图像分类任务中数据不平衡问题提供了一种有效解决方案。
Oct, 2019
本研究提出了一种无监督学习的方法,利用生成对抗网络(GAN)生成与真实组织学图像相似的组织学图像,以提高分类 CNN 的性能,该方法不仅能在缺少监督数据的情况下有效地进行癌症诊断,而且对于含有监督数据的情况仍能表现出色。
Dec, 2017
提出了一种针对罕见癌变组织的组织图像生成方法,命名为 XM-GAN,可通过少量基础和参考图像生成高质量且多样化的图像,并用于组织图像分类任务中的数据扩增,表现优于基准分类器。
Apr, 2023
本研究介绍一个基于自动化方法量化肠道组织形态学的方法,旨在解决在病理学中现代癌症分级中存在的重要挑战。该文章提供了肠道组织图像挑战比赛的概述,包括组织、数据集和评估标准,以及来自表现最好的方法的方法描述和评估结果。
Mar, 2016
使用细胞图卷积神经网络(CGC-Net)将大肠癌组织学图像转化为图形,并采用 Adaptive GraphSage 技术融合不同层级的特征,以有效地对普通基于补丁的方法及上下文相关的基于补丁的技术进行超越,描述新型的 CRC 分级方法。
Sep, 2019
通过使用生成模型,如 CycleGAN 和神经风格迁移,将公开可用的乳腺组织学样本转化为合成的细胞学图像,我们研究了医学影像领域中的自动化和深度学习技术的应用,通过测量 FID 和 KID 分数发现所生成的细胞学图像与真实的乳腺细胞学样本非常相似。
Mar, 2024
引入了结合可解释性特征和保存结构能力的 xAI-CycleGAN 先进架构,用于将 H&E 染色的乳腺组织图像转换成类似 P63 染色的图像,并展示了其在保持结构完整性和生成高质量图像方面的有效性,验证了该模型的高质量输出。
Dec, 2023
通过细胞自动机模拟肿瘤的发展过程,我们建立了一套通用规则,将肿瘤状态整合到原始计算机断层扫描图像中,生成了不同器官的合成肿瘤。经过临床读者研究和技术性评估,证明了合成肿瘤的真实性和早期癌症检测的潜力。
我们提出了一个自动预测肠癌患者结直肠癌肝转移的病理预后的端到端方法,利用 H&E 和 HPS 染色的组织学切片;我们使用生成对抗网络对切片进行标准化,采用半监督模型进行组织分类,使用注意力机制加权不同区域进行分类,训练预后模型并在 258 名患者上进行了评估,结果证明我们的方法在预测生存和治疗时间反应方面具有优越性,可推动精准医学在管理结直肠癌肝转移患者中的进展。
Nov, 2023
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