Feb, 2024

用于增强宫颈异常筛查的两阶段细胞病理图像合成

PDF
TL;DR通过两阶段图像合成框架，本论文提出了一种用于增强宫颈异常筛查的合成数据方法，包括生成充满正常宫颈细胞的细胞病理图像和将正常细胞转化为不同类型的异常细胞，以提高宫颈异常细胞检测的性能。
automatic thin-prep cytologic testcervical abnormalityimage synthesiscytopathological imagesabnormal cervical cell detection
发现论文，激发创造
  • CellGAN: 用于增强细胞病理图像分类的条件性宫颈细胞合成

    本文提出了基于 CellGAN 的 TCT 细胞病理学图像合成方法，用于增强细胞类型分类，并验证了该方法的有效性。

    Jul, 2023

  • 从组织病理学图像生成细胞学图像的可行性研究

    通过使用生成模型，如 CycleGAN 和神经风格迁移，将公开可用的乳腺组织学样本转化为合成的细胞学图像，我们研究了医学影像领域中的自动化和深度学习技术的应用，通过测量 FID 和 KID 分数发现所生成的细胞学图像与真实的乳腺细胞学样本非常相似。

    Mar, 2024

  • 从像素到癌症：细胞自动机在计算机断层扫描中的应用

    通过细胞自动机模拟肿瘤的发展过程，我们建立了一套通用规则，将肿瘤状态整合到原始计算机断层扫描图像中，生成了不同器官的合成肿瘤。经过临床读者研究和技术性评估，证明了合成肿瘤的真实性和早期癌症检测的潜力。

    Mar, 2024

  • 图像合成作为无监督组织病理学诊断的前置任务

    本文提出了使用无监督生成式模型来进行异常检测的方法，并在数字病理学领域展示了其优势，实验证明这种方法比有监督模型更优秀。

    Apr, 2021

  • 无监督组织病理图像合成

    本研究提出了一种无监督学习的方法，利用生成对抗网络（GAN）生成与真实组织学图像相似的组织学图像，以提高分类 CNN 的性能，该方法不仅能在缺少监督数据的情况下有效地进行癌症诊断，而且对于含有监督数据的情况仍能表现出色。

    Dec, 2017

  • 通过精细的图像文本对齐和解剖病理促进的医学图像合成

    通过细粒度的图像 - 文本对齐和解剖病理提示，我们提出了一种新颖的医学图像合成模型，能够生成高度详细和准确的合成医学图像，我们验证了我们的方法在公共胸部 X 光数据集上的优越性，并展示了我们的合成图像保留准确的语义信息，对各种医学应用具有价值。

    Mar, 2024

  • 基于腺体布局的结肠癌组织图像注释合成

    本文提出了一个交互框架，可从输入的腺体布局生成相应的组织组分掩模，从而生成逼真的结肠癌组织学图像对及其注释，验证了所生成的注释图像对的质量。

    May, 2023

  • 走向通用肿瘤合成

    利用计算机断层扫描（CT）检查中早期肿瘤的相似成像特征，本研究使用生成式人工智能模型制造现实感肿瘤，可以泛化到多个器官，并且所得到的模型可以在不同机构的 CT 图像中检测和分割真实肿瘤。

    Feb, 2024

  • 利用人工智能搜索归档的组织病理学图像进行全癌种诊断共识

    本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中，通过搜索最大的公共存储库之一，本文显示出当足够的可搜索案例数量可用于每种癌症亚型时，计算机一致性似乎可以用于诊断。

    Nov, 2019

  • 基于形态和外观卷积神经网络的子宫颈细胞细粒度分类

    本研究提出了一种基于 CNN 的方法，通过结合细胞图像外观和形态学信息对 Pap 样本中的宫颈细胞进行分类，在 Herlev 宫颈数据集上验证了此方法的分类精度高于传统的手工特征分类方法，可用于宫颈病变的早期诊断。

    Oct, 2018