Nov, 2023

无需标注的深度学习自动体积校正有丝分裂指数计算方法及其免疫组织化学参考标准

PDF
TL;DR通过使用基于免疫组化的无注释深度学习流程，我们对犬乳腺癌的上皮分割进行了准确估计，并将我们的自动框架与手动注释的体积校正有丝分裂指数进行了比较，结果表明深度学习的流程具有专家级的性能，同时具备时间效率和重复性。
volume-corrected mitotic indexprognostic valueinvasive breast carcinomasdeep learning pipelineepithelial segmentation
发现论文，激发创造
  • 乳腺癌组织病理学图像中有丝分裂检测算法的评估

    本研究介绍了自动图像分析在乳腺肿瘤组织分析中的应用，通过分析 AMIDA13 数据集和 11 种不同的算法，提出了一种性能可与病理学家间交互的标准相媲美的图像分析算法。

    Nov, 2014

  • 组织病理学图像中的有丝分裂领域通用性问题 -- MIDOG 挑战

    本文评估和比较不同算法的性能表现，针对临床用途中的整张切片扫描仪领域差异问题，提出和评估了一种扫描器不可知的有助于病理学家判读分级的异常分裂细胞检测算法。

    Apr, 2022

  • 免疫组化指导下的乳腺癌切片中良性上皮细胞、原位病变及浸润上皮细胞的分割

    利用人工智能的数字病理学可以自动分析组织病理切片，自动评估可以提高诊断效率并帮助找出形态特征与临床结果之间的关联。本研究旨在开发一个用于乳腺癌切片上上皮细胞分割的人工智能模型，利用卷积神经网络进行训练，并通过数据增强提高模型的鲁棒性。

    Nov, 2023

  • 基于深度学习的数字乳腺癌免疫组织化学图像精确自动化量化的实例分割

    使用基于深度学习的实例分割体系结构的自动量化方法，成功地将细胞核和膜生物标记物应用于免疫组化染色的胸部肿瘤图像，并集成到开发的网络平台中，作为病理学家的决策支持工具。

    Nov, 2023

  • 全自动基于深度学习的免疫组织化学报告算法的开发与验证

    使用基于深度学习的半监督训练的全自动决策支持系统 (DSS)，对浸润性导管癌进行免疫组化评分，从而提高免疫组化评分的准确性和治疗决策，特别是在专家不可用的情况下。

    Jun, 2024

  • 利用大型视觉语言模型改进组织病理学图像上的有丝分裂检测

    癌症组织中，有丝分裂计数与肿瘤增殖、预后不良和药物抵抗有关。我们采用卷积神经网络（CNN）来降低病理学家之间有丝分裂计数的主观性，并结合视觉特征和自然语言，将有丝分裂检测任务转化为图像描述任务和视觉问答任务，以提高检测准确性。通过与基线模型在 9,501 个有丝分裂图像和 11,051 个难以表征的负例图像（非有丝分裂图像）上的比较，证明了我们方法的有效性。

    Oct, 2023

  • 使用融合检测器和深度集成分类模型对抗领域漂移的有丝分裂检测，以参与 MIDOG 挑战

    本文提出了一种两阶段有深度集成分类模型的有机物卷积神经网络（CNN）检测框架，以便于减轻图像色彩变化对细胞检测的影响，并使用标准化和数据增广来辅助模型训练，旨在自动定位有丝分裂的细胞。该模型在 MIDOG 挑战初步测试集中获得了 0.7550 的 F1 得分。

    Aug, 2021

  • 基于深度学习算法的核形态测量对犬皮肤鳞状细胞癌具有预后意义

    通过深度学习算法的自动形态测量，该研究支持使用自动形态测量作为一种预后测试，以克服估计和手动测量的限制。

    Sep, 2023

  • 一种统一的框架，用于乳腺组织病理学中肿瘤增殖评分的预测

    我们提出了一个统一的框架，从乳腺组织病理学全幻灯片图像中预测肿瘤增殖评分。该系统提供了完全自动化的解决方案，预测基于分子数据和有丝分裂计数的肿瘤增殖评分。我们的方法在 Tumor Proliferation Assessment Challenge 2016 中获得了三个任务的第一名。

    Dec, 2016

  • 自监督学习提高了多种癌症组织学幻灯片中的 dMMR/MSI 检测

    本研究采用自监督学习方法，通过在来自 TCGA 数据集的组织学图像上训练神经网络，实现对 MSI 肿瘤的准确检测，相较于以往对 ImageNet 预训练的神经网络的结果，获得了更高的 AUC 值，实验表明 MoCo V2 特征更能准确地检测 MSI 且具有较好的泛化能力。

    Sep, 2021