Nov, 2023

组织病理学癌症检测

HTML
PDF
TL;DR癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤，本研究通过深度学习构建了一个潜在的肿瘤预后分类模型，利用组织病理学图像中有价值的信息，选择了PatchCamelyon基准数据集，训练了多层感知器和卷积模型，并评估了其精确度、召回率、F1得分、准确度和AUC得分，结果显示基准卷积模型表现优于基准多层感知器模型。此外，本文还引入了ResNet50和InceptionNet模型，并使用数据增强，其中ResNet50能够超越最先进的模型，最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。
发现论文，激发创造
  • 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

  • 利用迁移学习自动分类组织病理学图像

    利用DenseNet-161和ResNet-50预训练CNN模型，通过迁移学习的方法对数字组织病理学补丁进行分类，实验结果表明，这种方法可以自动检测和分类疾病，并在分类效果方面表现出色。

    Mar, 2019

  • 计算组织病理学的深度神经网络模型：一项调查

    本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从130多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。

    Dec, 2019

  • 基于深度学习的全切片图像分割与分析通用框架

    本文章基于深度学习方法提出了一种可用于组织病理学图像分析的框架，并在癌症诊断、预后和图像分析等方面取得了良好的效果。

    Jan, 2020

  • 组织病理学分类：多项分类任务的独特深度嵌入提取器

    通过对不同backbone的比较，使用单个预训练的深度嵌入提取器将图像转换为深度特征，以此来减少所需的标记数据和加速训练，并使用特征空间增强策略来显著提高在组织学图像分类任务上的F1分数。

    Mar, 2023

  • 基于细胞形态意识的深度神经网络的组织病理图像分类

    提出了一个新颖的DeepCMorph模型，通过预训练学习细胞形态学并识别大量不同的癌症类型，取得了与之前的解决方案相比超过4%的82%准确率，并展示了该预训练模型在小样本显微镜数据集上的优越性能。

    Jul, 2024

  • 组织病理图像分类的数据集蒸馏

    本研究解决了组织病理图像分析中对大规模数据集的依赖问题，提出了一种新颖的数据集蒸馏算法Histo-DD，结合了染色标准化和模型增强。实验结果表明，Histo-DD生成的合成样本能有效保留区分性信息，显著降低训练成本，并具有体系结构无关的特性，展示了合成样本在替代大规模数据集方面的潜力。

    Aug, 2024

  • 转移学习模型在乳腺癌分类中的比较分析

    本研究解决了乳腺癌组织病理图像分类中的效率问题，比较了八种深度学习模型在区分侵袭性导管癌和非侵袭性导管癌的表现。研究发现，基于注意力机制的视觉变换器模型在验证准确率上达到了93%，显著优于传统卷积网络，这表明先进的机器学习方法在临床乳腺癌诊断中的潜在应用价值。

    Aug, 2024

  • 基于混合注意力机制的EfficientNet在乳腺组织病理分类中的应用：综合方法

    本研究解决了乳腺癌组织病理图像分类中的特征提取与关注关键区域能力不足的问题。提出了一种结合混合EfficientNet模型和先进注意力机制的新方法，显著提升了分类精度，最高可达98.42%。该方法在实际诊断工作流中的潜在应用价值显著，提高了诊断准确性并增加了计算效率。

    Oct, 2024

  • 基于混合注意力机制的EfficientNet在乳腺组织病理分类中的应用：一项综合研究

    本研究解决了乳腺癌组织病理图像分类中的特征提取不足的问题，提出了一种将混合EfficientNet模型与先进注意力机制相结合的新方法。研究表明，该方法在400倍放大下的分类准确率达到98.42%，显著超过现有的多种先进模型，展示了其在提高诊断准确性及实时诊断工作流程整合方面的临床潜力。

    Oct, 2024