本文介绍了一种基于上下文感知的神经网络，可以用于对数字组织病理学图像进行更高分辨率的分析，并在结肠癌分级和乳腺癌分类方面获得了比传统方法更好的结果。

Jul, 2019

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

提出了一种用于乳腺组织图像检索的新型基于注意力的对抗正则化变分图自编码器模型，结合聚类引导的对比学习作为图特征提取器，评估其在乳腺癌组织图像数据集上的性能并取得了卓越的结果，具有在临床环境中提高诊断性能的潜力，从而最终造福于患者。

May, 2024

本文中，我们介绍了一种吸引医学生和病理学家参与的方法，用于在乳腺癌中标注细胞核的数据集，其中建议的注释可以通过弱算法来改善，该算法可用于训练分割算法，这种方法被称为 DTALE，旨在通过核分割和形态学特征来提高核分类模型的透明度。

Feb, 2021

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

使用基于 CNN 的分类激活特征和重叠图像块的特征来实现基于上下文信息的乳腺癌分类方法。结果表明，该方法在小数据集上比现有算法表现更出色。

Feb, 2018

通过使用不同的深度学习描述符（ResNet50、ResNet101 和 ResNet152）以及适当的特征归一化（最小 - 最大）和特征约简技术（LDA），我们提出了一种新颖的计算机辅助诊断（CAD）系统，该系统在妇科癌症预防方面取得了异常的性能。我们在由世界卫生组织提供的 IARC 数据集上进行了实验，该数据集经过了初始的分割和平衡。我们的方法在正常和异常分类以及类型分类方面的表现范围为 97% 至 100%，同一数据集上的另一竞争性方法的性能为 81% 至 91%。

May, 2024

深度神经网络在数字病理学中的全切片图像中预测某些生物标志物时表现出有希望的分类性能，但网络输出概率的校准经常没有得到评估。在医学环境中，通过提供可靠的置信度评分来传达不确定性具有很高的相关性。在这项工作中，我们比较了三种神经网络结构，这些结构将修补水平上的特征表示与幻灯片级别的预测相结合，以评估它们的分类性能并评估其校准性。作为幻灯片级别分类任务，我们选择了结直肠癌组织切片中的微卫星不稳定性的预测。我们观察到，Transformers 在分类性能和校准方面表现出良好的结果。在对单独数据集进行分类性能评估时，我们观察到 Transformers 具有最好的泛化能力。对可靠性图进行调查能够提供对期望校准误差指标的额外见解，我们观察到特别是 Transformers 会将输出概率推至极值，这导致过于自信的预测。

Dec, 2023

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

本研究提出了一种置信度校准的残差神经网络用于结直肠癌息肉分类，该模型采用了新颖的基于视觉的触觉传感系统和独特的结直肠癌息肉幻影，并通过温度缩放后处理方法解决过于自信的输出问题。通过引入噪声和模糊处理检验模型可靠性，结果显示模型有效地处理了非理想输入。

Apr, 2023