Aug, 2023

LDCSF: 基于局部深度卷积的水生框架用于多标签组织病理学图像分类

PDF
TL;DR为了提高组织病理图像的多标签分类准确性，本文提出了一种局部深度卷积浮游 (Swin) 框架 (LDCSF) 来分类多标签组织病理图像，并基于该分类结果计算了肝癌组织病理图像的肿瘤至基质比率。
histopathological imagesliver cancerclassification accuracyhistopathology image classificationtumor-to-stromal ratio
发现论文，激发创造
  • 多染色多层卷积网络用于多组织乳腺癌图像分割

    我们提出了一种基于卷积神经网络的多类组织分割模型，通过像素对齐的非线性融合实现了局部和全局视野，能够准确检测各种组织类别，并且对于多种染料和扫描仪具有稳定性。

    Jun, 2024

  • SHISRCNet: 低分辨率乳腺癌组织学图像的超分辨率和分类网络

    本文介绍了一种新的基于超分辨率和多尺度特征提取的单张组织病理学图像分类网络（SHISRCNet），该网络可以更精确地诊断以低分辨率图像为输入的乳腺癌，具有较高的诊断准确度。

    Jun, 2023

  • 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

  • 级联深度残差网络自动肝脏病变检测

    本研究采用一种基于深度残余网络 (ResNet) 的肝脏病变分割方法，通过级联 ResNet 架构和多尺度融合生成更精确的边界定义，该方法在 ISBI 2017 肝脏瘤分割挑战中获得第四名。

    Apr, 2017

  • 场景识别的本地监督深度混合模型

    本文提出了一种新的局部监督深度混合模型，通过增强和探索卷积特征来实现场景识别，并将特征编码成局部中层表示，与高层特征协同使用以取得出色的性能。

    Jan, 2016

  • 上下文感知的叠式卷积神经网络用于对全幅组织病理学图像中的乳腺癌进行分类

    本文提出一种上下文感知的堆叠卷积神经网络模型，用于对乳腺癌组织 WSI 的细胞级信息进行分类，成功实现对病理组织的诊断和分类。

    May, 2017

  • 一种肝癌数字组织病理学切片分类的转导式少样本学习方法

    本文提出了一种新的方法，利用少样本学习对 2D 组织学病理学图像进行分类。通过在组织学切片上应用滑动窗口技术，我们揭示了转导学习（即在补丁上进行联合预测）在实现一致准确分类中的实际效益。我们的方法采用基于优化的策略，主动惩罚每个窗口内大量不同类别的预测。我们在组织学数据上进行实验证明了我们方法的有效性以及提高自动癌症诊断和治疗过程的潜力，同时减少了专家标注所需的时间和精力。

    Nov, 2023

  • US-SFNet: 一种基于空间频率领域的多分支网络用于超声图像中颈部淋巴结病变的诊断

    通过使用深度学习模型，通过超声成像来准确诊断颈淋巴结病变。我们提出了 Conv-FFT Block 与 US-SFNet 两者相结合的方法，该方法不仅可以从空间域中识别超声图像的变异，还可以在频率域中捕捉不同病变的显微结构改变。通过与其他 12 种经典模型进行对比，结果表明 US-SFNet 在交叉验证中获得了 92.89％的准确度、90.46％的精确度、89.95％的敏感度和 97.49％的特异度。

    Aug, 2023

  • 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

  • 乳腺癌组织学图像分类的两级卷积神经网络

    此论文研究了乳腺组织的分类问题，提出了一种基于卷积神经网络的 “补丁 - 图像” 分类方法，并利用 ICIAR2018 数据集进行验证，在验证数据集上获得了 95% 的分类精度。

    Mar, 2018