Nov, 2023

混合鲸泥环优化用于精确肤色癌症图像分割

PDF
TL;DR用于皮肤癌诊断的增强版 Mud Ring Algorithm 和 Whale Optimization Algorithm 的 WMRA 将 bubble-net attack 和 mud ring strategy 应用于提取数字皮肤镜像，实证结果表明 WMRA 在适应度、峰值信噪比（PSNR）和均方误差（MSE）方面相对于其他近期方法具有强大的效果。
skin cancersdermoscopydigital dermoscopy imagesmultilevel thresholdingwmra
发现论文，激发创造
  • 皮肤病变定位和分割的检测器 - 分割师网络

    该研究提出了一种简单而新颖的基于卷积神经网络（CNN）的 “网络中的网络” 方法，用于分割皮肤病变。作者使用了一种名为 Faster RCNN 的方法进行预处理，配合 UNet 和 Hourglass 网络实现皮肤病变的分割。在 ISIC 2018 数据集上，该方法的 Dice 相似度系数达到 0.915，准确率达到 0.959，在 ISBI 2017 数据集上，Dice 相似度系数达到 0.947，准确率达到 0.971。

    May, 2020

  • 分割就是一切

    本文提出了第一个无 anchor 和 NMS 的目标检测模型 WSMA-Seg，利用分割模型实现精确和稳健的目标检测，WSMA-Seg 使用多模态注释，开发了一种基于运行数据的跟踪算法来追踪物体轮廓，并提出了多尺度池化分割模型 (MSP-Seg)，实验结果表明该方法优于最先进的检测器。

    Apr, 2019

  • 强化自动缩放网络：全尺寸乳腺癌病理切片图像精准快速分割

    本文提出了一种名为 RAZN 的神经网络框架，用于医学图像领域的乳腺癌分割任务。RAZN 在 WSIs（大型组织病理学图像）中通过学习策略网络实现了选择性放大，从而减少了过度拟合，并实现了在低推理成本的情况下更高的精度。

    Jul, 2018

  • 基于中心导向无边际三元损失的深度聚类在高度不平衡数据集中用于皮肤病变检测

    介绍了一种基于深度聚类的皮肤病变图片分类方法，引入了一种新的基于中心的聚类损失函数，可以实现在对少量恶性病灶数据训练的情况下有效地检测恶性黑色素瘤的皮损。

    Apr, 2022

  • 一种新的水下图像增强和改进的水下生物检测流程

    本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

    May, 2022

  • 选择不同形态分割与攻克千亿像素病理图像

    基于 “Divide & Conquer” 方法，我们提出了一种名为 SDM 的新方法，用于选择一小部分具有不同形态的整个切片图像，以在计算病理学中实现 WSI 分析、分类和匹配。通过在各种公共和私人组织病理学数据集上进行评估，SDM 展现了出色的效果，并通过优化选择过程来捕捉 WSI 中的不同形态特征，从而消除了 Yottixel's mosaic 中经验参数化的必要性。

    Nov, 2023

  • 皮肤镜图像黑色素瘤识别的深度学习集成

    本文介绍了一种结合深度学习和机器学习的系统，通过分割皮肤病变区域及其周围组织进行黑色素瘤检测，使用公开数据集验证，相比于专家医生的平均准确率高达 76%。

    Oct, 2016

  • 数字病理学中的鲁棒图表学习

    本文提出了一种新颖的鲁棒学习方法来解决整张切片图像（WSIs）中的扰动问题，并通过引入图卷积网络（GCN）从图中提取特征，包括去噪和分类层，以改善前列腺癌的诊断准确率。实验结果表明，与非鲁棒算法相比，该模型在癌症诊断方面取得了显著的改善。

    Oct, 2023

  • 自适应加权多视场卷积神经网络在病理学语义分割中的应用

    本文提出了一种自适应加权多视野卷积神经网络（AWMF-CNN）用于 WSI 图片的多种癌症亚型区域的图像分割。该方法使用不同放大倍率的图像特征，据此自适应地调整每种图像特征在融合过程中的权重，并成功优于其他先进方法。

    Apr, 2019

  • 多倍镜深度多尺度网络用于多类别乳腺癌图像分割

    本文介绍了深度多放大率网络，采用多级别数字化全层切片图像的一组修补程序对部分注释进行训练，实现对乳腺癌多类组织的自动化分割，表现出高交叉共同区的意义，可用于协助病理学家评估乳腺癌。

    Oct, 2019