Oct, 2023

基于一维卷积神经网络模型的乳腺癌亚型分类与生化内容评估，利用微红外光谱图像

PDF
TL;DR开发了一种 1D 深度学习工具用于乳腺癌分型和生化贡献的评估，该模型基于高光谱图像和 CaRNet-V1，对乳腺癌、邻近组织以及分子亚型的分类具有高准确性，并能够评估对分类的生化影响，有潜力应用于乳腺癌活检的评估以及其他相关研究如治疗效果评估和新诊断治疗方法的开发。
breast cancermolecular subtypesdeep learningbiochemical contributionhyperspectral images
发现论文，激发创造
  • 双通道卷积神经网络利用微傅里叶红外光谱成像来预测乳腺癌亚型及生物标志物水平：雌激素受体、孕激素受体、HER2 和 Ki67

    该研究使用基于傅立叶变换红外显微光谱和深度学习的二维模型 CaReNet-V2 进行乳腺癌的分类和生物标志物水平预测，通过对 60 个乳腺活检样本进行图像采集和处理，达到对乳腺癌分子亚型和生物标志物水平的准确预测，有望成为乳腺癌活检的筛查分析技术并帮助优先治疗患者。

    Oct, 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

  • 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

  • 利用近红外光谱数据基于机器学习算法在体内诊断皮肤癌

    皮肤病变、近红外光谱、机器学习算法、分类和自动辅助诊断是本研究的关键词，旨在利用近红外光谱数据对皮肤病变进行自动分类的机器学习算法进行研究及分析。

    Jan, 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

  • 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

  • 用卷积胶囊网络对乳腺癌组织学图像进行分类

    本文提出了一个基于卷积胶囊网络的深度学习解决方案，能够对通过血红蛋白和欧辛染色的乳腺组织活检的四种图像类型进行分类，表现出非常高的准确性和敏感性。

    Apr, 2018

  • 利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

    本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

    Feb, 2020

  • 面向全球的乳腺癌筛查多实例分类器

    本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。

    Jun, 2019

  • 妇科癌症组织亚型的稀疏数据快速高光谱光热中红外光谱成像

    通过稀疏成像方法，将中红外光热成像技术应用于卵巢癌检测，实现了数据采集速度提升 10 倍，并利用随机森林和卷积神经网络模型对超过 65 百万个数据点进行了分析，证明了该方法能够产生优秀的图像质量，并以超过 95% 的分割准确率准确区分不同的妇科组织类型。

    Feb, 2024