乳腺癌组织中染色胶原底物 RNAscope 的灰度纹理特征分割
本研究提供了一种用于标准化组织学染色的完全自动化、端到端基于学习的设置,该设置考虑了组织的纹理上下文,并通过结合来自长短时记忆单元的门控元素的批量归一化框架来扩展特征感知归一化。为了实现优秀的标准化结果并确保颜色和纹理的一致表示,作者将预训练的深度神经网络作为特征提取器来引导像素处理管道,并使用颜色直方图偏差、结构相似性和颜色体积等指标对不同方法进行评估。
Aug, 2017
该研究利用图神经网络将 MELC 数据与放射学特征相结合,着重进行细胞级别分析,评估基因表达谱和放射学特征的有效性,发现放射学特征,尤其是与 UMAP 结合进行降维,显著提高分类性能。值得注意的是,使用放射学特征有助于提高诊断准确性和计算效率,因为它能够从较少的染色中提取关键数据,从而降低操作成本。这种方法在黑色素瘤细胞分类的计算皮肤病学中标志着一项进展,为未来的研究和潜在的发展奠定了基础。
Dec, 2023
利用数字组织病理学图像和深度学习,通过一个新的计算方法 (hist2RNA) 来预测含有 138 个基因的新型分子表型检测结果,包括腺激素受体阳性的乳腺癌亚型,并能为患者的术后治疗提供良好预测。
Apr, 2023
本文介绍了一种结合人工和深度神经网络特征提取的分析流程,并直接操作于数字扫描仪所生成的全幅图像上,实现了前列腺癌癌区定位、分级、提取 Gleason 分级的面积比率和细胞 / 结构特征,最终通过对 368 个全幅图像进行测试,成功在區分 Gleason 3+4 和 4+3 的幻灯片方面达到了 75%的总体准确性。
May, 2017
磁共振成像(MRI)是诊断和分期前列腺癌的关键工具,但也产生了大量数据,必须由经过训练的专家评估,这是一项耗时且繁琐的任务。因此,已经开发了基于多种 MRI 模态(T2W、ADC 和高 b 值 DWI)的前列腺癌(PCa)风险分类自动化的机器学习工具。然而,理解和解释模型的预测仍然是一个挑战。本研究分析了随机森林(RF)和支持向量机(SVM)在两个互补数据集上的表现,即公共 Prostate-X 数据集和一个内部的大部分为早期 PCa 的数据集,以阐明一阶统计特征、Haralick 纹理特征和局部二进制模式对分类的贡献。通过相关性分析和 Shapley 影响力得分,我们发现许多通常使用的特征之间存在强相关性,并且大多数特征对分类几乎没有影响。我们确定了一小组决定分类结果的特征,这可能有助于开发可解释的 AI 方法。
Jun, 2024
利用第一代透射式光子吸收遥感显微镜的标签自由组织学平台,以及 pix2pix 实验,全面提高了组织学诊断的效率和疾病诊断的准确性,同时允许光学方法(标签自由的)与传统染色工艺进行对比,应用广泛。
Apr, 2023
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
该研究使用基因特定模型和卷积神经网络从组织形态结构预测肿瘤基因表达及其空间分布,并验证了该方法在乳腺癌中的可行性,为描述肿瘤内异质性提供了可扩展性的方法。
Sep, 2020
通过多视图图对比学习和 HSIC 约束正规化方法构建的空间转录组学 (ST) 框架 (ST-GCHB),以学习共享表示来考虑空间依赖性,从而根据查询的图像点来估计相应的基因表达量。
Jun, 2024
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。
Nov, 2023