Aug, 2023

应对 HER2 乳腺癌组织学图像分类中的不确定性：一种可解释的集成方法与阈值筛选的单实例评估（SIE）

PDF
TL;DR该研究提出了一种集成方法，结合 HER2 表达的多分类，从乳腺癌组织病理切片图像中诊断乳腺癌，通过与现有模型的比较，该方法取得了 97.12% 的准确率，并有显著改进。
breast cancerher2 expressiondiagnosisensemble approachimmunohistochemical dataset
发现论文，激发创造
  • 利用深度学习和金字塔采样进行乳腺癌图像中的自动 HER2 评分

    使用深度学习方法对免疫组织化学染色的乳腺癌组织图像进行 HER2 状态自动分类，以提高诊断准确性和评估速度，对乳腺癌的治疗规划可能产生重大影响。

    Apr, 2024

  • BCI：金字塔 Pix2pix 生成乳腺癌免疫组织化学图像

    提出了一种乳腺癌免疫组化标准，能够通过 HE 染色图像的合成直接综合 IHC 数据，可用于 HER2 表达评估的病理研究。

    Apr, 2022

  • 学习何处关注：一种用于自动免疫组化评分的新型注意力模型

    提出一种深度强化学习模型，利用免疫组化（IHC）评分的 HER2 作为顺序学习任务，以鉴别性特征学习为中心，针对多分辨率大型图像的样本块进行深度处理，以实现该评分的序列化预测，并取得了比现有方法更优越的性能，在计算病理学领域中具有推广应用的潜力，这是使用深度强化学习的第一项 IHC 评分研究。

    Mar, 2019

  • 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

  • 从 H&E 染色的乳腺癌图像中预测 Ki67、ER、PR 和 HER2 状态

    通过使用机器学习方法和数字病理学，本研究建立了一个大规模数据集（185,538 张图像），通过可靠的 Ki67、ER、PR 和 HER2 状态测量结果，验证了基于 ViT 的标准流水线能够在正确的标注协议下达到大约 90% 的预测性能，同时揭示了训练分类器定位相关区域的能力，为未来改进本领域的本地化工作提供了启示。

    Aug, 2023

  • 深度学习在乳腺癌组织学分类中的应用

    本研究利用深度学习方法，通过提取细胞核密度区域进行分类，通过 fine-tuning 原始的 Inception-v3 卷积神经网络，从而达到了对四种类型的 H&E 染色乳腺组织图像进行分类，并获得了高达 85% 的整体精确度和 93% 的癌症诊断精确度。

    Feb, 2018

  • 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

  • 基于深度学习的乳腺癌肿瘤和免疫表型的组织病理预测

    通过应用多实例学习算法和不同的特征提取方法，该研究对乳腺癌的初级肿瘤进行多重描述，以测量肿瘤和免疫表型，为开发计算病理学标志物提供了潜力。

    Apr, 2024

  • 乳腺癌免疫组织化学图像生成：基准数据集和挑战评估

    本文介绍了乳腺癌免疫组化图像生成挑战赛，旨在探索深度学习技术在病理图像生成领域的新思路并促进研究。我们进一步分析了该领域的当前限制并预测了未来的发展。发放的数据集和挑战将希望能激发更多学者共同研究更高质量的免疫组化染色图像的生成。

    May, 2023

  • 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