Jul, 2023

利用异构图模型对生物实体的空间关系进行建模，用于乳腺癌的诊断

PDF
TL;DR本文旨在提出一种基于异构图神经网络的新方法，通过捕获细胞与组织之间的空间和层次关系，增强组织学图像中有用信息的提取，与转换器方法相比，本方法在参数数量和准确性方面都有所突破，在三个公开的乳腺癌数据集中表现出更高的效率和精度。
breast cancerconvolutional neural networksgraph neural networkshistopathological imagesspatial relationships
发现论文，激发创造
  • 组织病理学中的直方图图表

    本论文在组织切片图像中，使用图卷积网络 (Graph Convolutional Networks, GCNs) 对细胞的多属性空间图进行建模，通过提取细胞空间排列的复杂特征以实现肿瘤分类，得到了与 Inception-v3 相当的分类准确率。

    Aug, 2019

  • 使用图卷积神经网络进行组织病理学图像的可视化

    该论文提出了一种基于图卷积网络和注意机制的方法，将组织学检查作为细胞核图的形式来进行深度学习，达到疾病诊断的可解释性。

    Jun, 2020

  • 组织病理学中的图神经网络：新兴趋势和未来方向

    综述了整个切片图像（WSIs）中图神经网络（GNNs）的应用，讨论了它们在组织病理学中的应用，并探讨了未来发展趋势。通过对四个新兴趋势的深入探索，提供了关于 GNNs 在组织病理学分析中发展的见解，并提出了未来的研究方向。该分析旨在通过图神经网络引领研究人员和从业者探索创新的方法和方法，推动组织病理学分析的发展。

    Jun, 2024

  • HACT-Net: 一种基于层级细胞到组织图神经网络的组织病理图像分类方法

    研究提出了一种新颖的分层细胞 - 组织图（HACT）表示，以及一种分层图神经网络（HACT-Net），用于将 HACT 表示映射到组织学乳腺癌亚型中。该方法通过实体为基础的拓扑分析更符合组织病理诊断程序，从而鼓励进一步将病理学先验纳入任务特定的组织表示。

    Jul, 2020

  • 数字病理学中的分层图表示

    本研究提出一种基于多层次组成的组织表征模型来对癌症进行诊断、预测、治疗，并采用基于图的神经网络来学习和识别多层次组成的多组织结构。我们还介绍了 BReAst 癌症亚型识别数据集，并通过比较研究和消融研究证实了我们的方法优于其他方法和病理学家。

    Feb, 2021

  • 基于关系网络和本地化图卷积过滤的乳腺癌亚型分类的混合方法

    本文提出了一种混合模型，该模型将图卷积神经网络和关系网络组合在一起，在乳腺癌亚型分类和患者存活分析的实验中，该模型表现出了比现有方法更好的性能。

    Nov, 2017

  • 非对称共同训练结合可解释性细胞图集成在组织病理图像分类中的应用

    使用深度图卷积网络和卷积神经网络结合的非对称同时训练框架提升多类组织病理图像分类的解释性和性能。

    Aug, 2023

  • 多模式医学图像的图卷积网络：方法、架构和临床应用

    本综述论文介绍了基于图卷积网络（GCN）的医学图像分析的最新研究进展，包括放射学和组织病理学数据，讨论了 GCN 在疾病诊断和患者康复中的应用，以及其在模型解释、大规模基准测试等方面的技术挑战和发展趋势。

    Feb, 2022

  • 基于超光谱成像和图神经网络的稳健肿瘤分割

    利用 Hyperspectral Imaging 和 Machine Learning 相结合的方法，采用 Graph Neural Networks 以及 Convolutional Neural Network，通过对局部图像特征和空间上下文信息的建模，实现在肿瘤和健康组织之间进行准确分割的目标。

    Nov, 2023

  • 紧凑而强大：利用图神经网络和边缘卷积进行医学图像分类

    我们研究了基于图神经网络的医学图像分类的潜力。我们提出了一种将图神经网络与边缘卷积相结合的新模型，利用 RGB 通道特征值的相互连接来强烈表示关键图节点之间的联系。我们的模型在 MedMNIST 数据集的分类中表现出色，并与现有的深度神经网络相比，参数少 1000 倍，训练时间和数据需求减少。我们的结果鼓励进一步探索医学影像领域中的其他图神经网络模型。

    Jul, 2023