Jan, 2024

带有高效训练的学习图像调整（LRET）改进大规模数字组织病理学图像分类模型的性能

PDF
TL;DR通过采用 Learned Resizing with Efficient Training (LRET) 方法，结合了高效训练技术和图像调整，以提高组织病理学分类模型的性能和训练效率，同时保留重要的结构信息，从而在肿瘤分类任务中显著提高分类性能和减少训练时间。
发现论文，激发创造
  • 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

  • 探究和利用图像分辨率进行基于迁移学习的皮肤病变分类

    本文研究了使用不同输入图像尺寸 fine-tuned CNNs 进行皮肤病变分类的性能，提出了一种基于三级集成策略的新型融合方法，取得了比现有算法更好的分类结果。

    Jun, 2020

  • 利用语义分割的多阶段病理图像分类

    本论文提出了一种新的模型结构，将基于补丁的分类模型和整个切片比例的分割模型相结合，以提高自动病理诊断的预测性能，并通过优化方法，使模型部分地进行端到端学习，应用于 WSI 的肿瘤 / 正常预测，与传统基于补丁的方法相比，分类的性能得到了提高。

    Oct, 2019

  • RetMIL：组织病理学全切片图像分类的记忆多实例学习

    通过提出的基于保留机制的 RetMIL 方法，实现了对组织病理学全幻灯片图像的分析，同时在性能和计算开销方面取得了显著的提升。

    Mar, 2024

  • 利用图神经网络进行组织病理学图像的表示学习

    本文介绍了一种基于图神经网络和 DenseNet 的方法，使用颜色选择和生成的样本 patches 并保持图像信息的关联性，以对肺癌的亚型进行精确分类。模型在 The Cancer Genome Atlas 数据集上表现出了 88.8% 的准确率和 0.89 的 AUC。

    Apr, 2020

  • 多尺度注意力多实例学习用于多千兆像素组织学图像分类

    本文提出了一个深度学习管道，以多个实例学习和注意力机制对组织检查图像进行分类，并成功实现了对鼻咽癌的 LMP1 状态预测。通过可视化注意力分数，该方法还允许对模型的解释性进行检查。

    Sep, 2022

  • 基于深度学习的全扫描组织病理学图像压缩分类技术

    本文提出了一种基于自编码器的神经网络架构，用于压缩组织病理学图像，同时保留原始图像的更密集和更有意义的表征。我们提出了一种简单而新颖的方法来监督压缩神经网络，试验表明，我们的方法可以在保持良好压缩率的同时实现更高的图像分类性能。

    May, 2023

  • 糖尿病性视网膜病变灶的弱监督定位在眼底图像中的应用

    本文研究使用卷积神经网络对糖尿病视网膜病变进行图像级别的诊断，证明其在医学影像分析方面具有较高准确度。

    Jun, 2017

  • 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

  • 基于 Patch 的卷积神经网络用于全切片组织图像分类

    通过训练决策融合模型以及利用 EM 方法自动定位有效的 Patch，可以实现对肿瘤亚型的分类，其分类精度与病理学家之间的一致性相似，这种基于 Patch 的 CNN 可以比基于图像的 CNN 更好地处理图像分类任务。

    Apr, 2015