Aug, 2023

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

PDF
TL;DR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。
convolutional neural networksgraph convolutional networksmulti-class histopathological image classificationasymmetric co-training frameworkexplanability
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

  • 基于图神经网络的数字组织病理学：临床医生的概念和解释

    应对医疗领域深度学习的 “黑箱” 挑战，我们将 GCExplainer（一种自动概念发现解决方案）与 Logic Explained Networks 结合起来，为图神经网络提供全局解释。我们通过使用普遍适用的图构建和分类流程（包括 HoVer-Net 的全景分割和图卷积网络的癌症预测）来展示这一点。通过在乳腺癌的 H&E 切片上训练，我们展示了为临床医生提供可解释和可信赖的人工智能工具的有希望结果。

    Dec, 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

    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。

    Jul, 2023

  • CGC-Net：用于结直肠癌组织学图像分级的细胞图卷积网络

    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

  • 上下文感知卷积神经网络用于结直肠癌组织学图像分级

    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

  • 基于生成式对抗网络的组织病理图像细胞级视觉信息无监督学习

    本文提出了一种新的联合生成 - 对抗网络架构，通过学习细胞级别的视觉表示来执行无监督的细胞级别视觉表示学习，并利用这种学习开发了一种能够在骨髓数据集上进行组织病理学图像分类的流程。

    Nov, 2017

  • C2P-GCN: 细胞到区块图卷积网络用于结直肠癌分级

    我们提出了一种新颖的细胞至块状图卷积网络 (C2P-GCN)，该方法通过双阶段图形构建，将整个 WSI 的结构数据整合到单个图中，有效地在腺癌病理图像中收集局部结构细节，并在所有块状图像之间建立有意义的连接。C2P-GCN 通过将整个 WSI 的结构数据整合到单个图中，使我们的模型能够使用比最新的结直肠癌模型更少的训练数据，实验证明了我们方法的有效性。

    Mar, 2024

  • 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

  • 探索可解释人工智能技术以提高肺癌和结肠癌分类的可解释性

    利用深度学习方法对肺癌和结肠癌进行组织学图像分类，取得了 97% 至 99% 的准确率，并通过注意力可视化技术提高了恶性和良性图像分类的解释性和理解。

    May, 2024