Dec, 2023

极化和放射组织学特征融合网络用于肝细胞癌和肝内胆管癌的分类

PDF
TL;DR通过将来自肝脏病理样本的 Mueller 矩阵图像的极化特征与相应病理图像的纹理特征相结合，引入了一种新的极化和辐射学特征融合网络来对肝细胞癌（HCC）和肝内胆管癌（ICC）进行分类。在图像分辨率降低的情况下，该融合网络利用极化图像技术和图像特征的机器学习的优势显著提高了分类准确性，展示了将极化图像技术整合到当前图像密集型数字病理诊断中的潜力。
hepatocellular carcinomaintrahepatic cholangiocarcinomapolarization and radiomics feature fusion networkclassificationcomputer-aided diagnosis
发现论文，激发创造
  • 利用弱监督深度学习从常规肿瘤活检中对原发性肝癌进行分类

    通过弱监督学习方法，在常规染色的活检病理切片上自动分类了原发性肝癌，特别是混合型肝细胞 - 胆管细胞癌。使用 Resnet18 神经网络训练了一个弱肿瘤 / 非肿瘤区域的标注作为标签，并利用网络的最后一个卷积层提取新的肿瘤切片特征，然后应用了一种无监督聚类算法。模型识别了肝细胞癌和肝内胆管癌的特定特征，尽管未识别到混合型肝细胞 - 胆管细胞癌的特定特征，但在综合诊断原发性肝癌，特别是混合型肝细胞 - 胆管细胞癌方面，识别出肝细胞癌和肝内胆管癌的切片可能会有帮助。

    Apr, 2024

  • 具有不确定性量化的肝脏肿瘤分割的各向异性混合网络

    研究表明，肝肿瘤是重要的负担，是癌症死亡的第四大原因。为了指导治疗策略，我们提出比较两种基于各向异性模型的管道方法，对肝脏和肿瘤进行分割，同时提出了一种不确定性量化策略用于识别潜在的假阳性肿瘤病变。

    Aug, 2023

  • 使用级联完全卷积神经网络自动分割 CT 和 MRI 体积中的肝脏和肿瘤

    该论文利用级联全卷积神经网络自动进行肝脏和肝脏病变的分段，以实现高质量的医学影像分析和临床诊断。论文结果表明，其分割结果和计算时间均较为准确和快速。

    Feb, 2017

  • 基于分类的自适应分割流水线：多囊肝和结直肠癌 CT 图像转移的可行性研究

    通过使用深度学习分类器将图像自动分类并将其路由到适当的分割模型，本研究旨在探索构建一个工作流的可行性，以高效地处理不同病理图像。我们希望通过我们的工作流能够准确地分割具有不同病理学的图像。我们的自适应分割工作流在总肝脏分割任务上与通用单一分割模型相比取得了显著的统计改进（非参数 Wilcoxon 符号秩检验，n=100，p 值 <<0.001）。这种方法适用于广泛的情景，并在分割流水线的临床实施中应该是有用的。

    May, 2024

  • 一种新颖的乳腺癌组织病理图像分类方法：基于交叉色彩空间特征融合和量子经典堆叠集成

    利用颜色空间组合和量子 - 经典堆叠技术提高乳腺癌分类的准确性的研究揭示了个性化医学评估中的里程碑，并通过融合不同颜色空间和量子 - 经典领域的协同作用为医学诊断设立了新的地平线。

    Apr, 2024

  • IHC 在 H&E 整片图像分析中的应用：通过两阶段多模态双线性汇聚融合提高癌症分级

    通过将免疫组化数据与 H&E 染色图像相结合，将其纳入机器学习模型中，可以提高癌症分级的预测结果。提出的框架在公共数据集 BCI 上取得了令人印象深刻的 0.953 的高准确率。

    May, 2024

  • 放射学提升深度学习模型用于膵内乳头状黏液性肿瘤的分类

    该研究提出了一种新的计算机辅助诊断流程，用于从多对比度 MRI 扫描中对 Intraductal Papillary Mucinous Neoplasm（IPMN）囊肿进行风险分类，其包括高效的体积自适应分割策略和基于放射组学的预测性深度学习分类方案，并在多中心数据集上取得了优于国际指南和已发表研究的最新性能（准确率 81.9％）的结果。

    Sep, 2023

  • 多模态非对比增强 MRI 肝肿瘤分割和检测的联合对抗学习

    本文提出了一个联合对抗学习框架 (UAL)，用于利用多模态非对比磁共振成像 (NCMRI) 同时分割和检测肝肿瘤，验证实验表明 UAL 在肝肿瘤的临床诊断中有极大的潜力。

    Jan, 2022

  • 基于级联全卷积神经网络和三维条件随机场的 CT 肝脏和病变自动分割

    本文介绍了使用级联的全卷积神经网络和密集的 3D 条件随机场来自动分割 CT 腹部图像中的肝脏和病变的方法，实现了对肝脏和病变的语义分割，其 Dice 分数超过 94％，每个体积计算时间低于 100 秒。

    Oct, 2016

  • Pathomic Fusion：融合组织学和基因组特征的癌症诊断和预后一体化框架

    本文提出了一种解释性的、端到端的多模态融合策略 —— Pathomic Fusion，它基于组织学图像和基因组学（突变、CNV、RNA-Seq）特征，模型化跨模式的特征交互，并通过基于门控的注意机制控制每个表示的表现力，以提高生存结果预测的准确性，从而有助于其他医学问题的解决。

    Dec, 2019