May, 2023

基于深度学习的全扫描组织病理学图像压缩分类技术

PDF
TL;DR本文提出了一种基于自编码器的神经网络架构，用于压缩组织病理学图像，同时保留原始图像的更密集和更有意义的表征。我们提出了一种简单而新颖的方法来监督压缩神经网络，试验表明，我们的方法可以在保持良好压缩率的同时实现更高的图像分类性能。
autoencoderneural networkcompressionhistopathology imagessupervised learning
发现论文，激发创造
  • 基于神经网络的千兆级组织病理图像压缩分析

    本文提出了一种名为神经图像压缩（NIC）的两步方法来构建卷积神经网络，以仅使用弱的图片级标签对吉盘素级图像进行分析。

    Nov, 2018

  • 基于深度强化学习的全切片病理图片快速诊断框架

    提出了一种基于弱监督深度强化学习框架的深度神经网络方法，可以快速有效地进行数字病理学领域中含有丰富组织特征信息的高分辨率全幅病理图像分析，而不需要基于像素级别的像素注释数据集。

    May, 2022

  • 利用语义分割的多阶段病理图像分类

    本论文提出了一种新的模型结构，将基于补丁的分类模型和整个切片比例的分割模型相结合，以提高自动病理诊断的预测性能，并通过优化方法，使模型部分地进行端到端学习，应用于 WSI 的肿瘤 / 正常预测，与传统基于补丁的方法相比，分类的性能得到了提高。

    Oct, 2019

  • 利用迁移学习自动分类组织病理学图像

    利用 DenseNet-161 和 ResNet-50 预训练 CNN 模型，通过迁移学习的方法对数字组织病理学补丁进行分类，实验结果表明，这种方法可以自动检测和分类疾病，并在分类效果方面表现出色。

    Mar, 2019

  • 计算组织病理学的深度神经网络模型：一项调查

    本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从 130 多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。

    Dec, 2019

  • 基于自对比的半监督学习框架用于预后预测的全切片图像

    应用深度学习技术分析组织病理图片对于自动预后预测的重要性进行了创新性研究，提出了一个新颖的三部分框架，包括基于卷积网络的组织分割算法、对比学习模块和嵌套多示例学习分类模块。在人工生成的数据和简单的诊断任务上进行了初步验证，并在膀胱癌的预后预测任务中取得了显著的成果，模型的 AUC 分别达到 0.721 和 0.678。

    May, 2024

  • 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

  • 基于染色卷积的 HE 染色组织病理图像学习式压缩

    我们提出了一种基于深度学习的组织病理学数据压缩方法，通过压缩染色和 RGB 通道，并结合压缩自编码器来获得量化的潜在表示，从而在分类任务中展现出卓越的性能，同时基本保留了图像质量。

    Jun, 2024

  • 使用 TCGA 诊断幻灯片进行 DenseNet 的组织病理图像表示微调和训练

    本文提出一种新的神经网络 KimiaNet，通过使用大量组织病理学图像，比较 KimiaNet、DenseNet 和 CBR 网络的性能，并发现 KimiaNet 对于表征组织病理学图像是优越的。

    Jan, 2021

  • 基于深度学习和集成机器学习的结直肠癌组织学分解性能提升

    利用混合深度学习和集成机器学习模型，该研究提出了一种超越以往解决方案的组合模型，对肠直肠癌的组织分类任务取得了 96.74％的准确率，在外部测试集上达到 99.89％的准确率。

    Oct, 2023