Mar, 2024

C2P-GCN: 细胞到区块图卷积网络用于结直肠癌分级

PDF
TL;DR我们提出了一种新颖的细胞至块状图卷积网络 (C2P-GCN)，该方法通过双阶段图形构建，将整个 WSI 的结构数据整合到单个图中，有效地在腺癌病理图像中收集局部结构细节，并在所有块状图像之间建立有意义的连接。C2P-GCN 通过将整个 WSI 的结构数据整合到单个图中，使我们的模型能够使用比最新的结直肠癌模型更少的训练数据，实验证明了我们方法的有效性。
graph-based learning approachescolorectal cancer histology imagescell-to-patch graph convolutional networkmulti-layer gcn-based classification networkexperimental validation
发现论文，激发创造
  • CGC-Net：用于结直肠癌组织学图像分级的细胞图卷积网络

    使用细胞图卷积神经网络（CGC-Net）将大肠癌组织学图像转化为图形，并采用 Adaptive GraphSage 技术融合不同层级的特征，以有效地对普通基于补丁的方法及上下文相关的基于补丁的技术进行超越，描述新型的 CRC 分级方法。

    Sep, 2019

  • 全切片图像是 2D 点云：基于补丁图卷积网络的上下文感知生存预测

    本研究提出了一种 Patch-GCN 算法，该算法可以对肿瘤微环境中的局部和全局拓扑结构进行建模，从而对患者的生存预后进行更好的预测。该算法通过 4,370 张 WSIs 的验证，在 5 种不同的癌症类型中，表现出比之前研究中所有的弱监督方法都要好。

    Jul, 2021

  • 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

  • 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

  • 组织病理学中的直方图图表

    本论文在组织切片图像中，使用图卷积网络 (Graph Convolutional Networks, GCNs) 对细胞的多属性空间图进行建模，通过提取细胞空间排列的复杂特征以实现肿瘤分类，得到了与 Inception-v3 相当的分类准确率。

    Aug, 2019

  • 将多尺度拓扑与金字塔图卷积神经网络集成于数字病理学中

    图卷积网络（GCNs）在数字病理学中作为卷积神经网络的多实例学习强大替代品，能够优秀地处理各种空间范围内的结构信息，对于从吉格巴 H&E 染色全幻灯片图像（WSI）中学习至关重要。然而，图传递算法在聚合大邻域时往往存在过度平滑的问题，因此，多尺度 GCN（MS-GCN）通过利用 WSIs 中多个放大级别上的信息解决了这个问题。MS-GCN 能够同时对较低放大倍数下的长程结构依赖性和较高放大倍数下的高分辨率细胞细节进行建模，类似于病理学家通常进行的分析流程。该架构的独特配置允许同时对较低放大倍数下的结构模式和较高放大倍数下的细胞特征进行建模，并量化每个放大倍数级别对预测的贡献。通过在不同数据集上的测试，MS-GCN 在现有单放大倍数 GCN 方法上展现出优越的性能。我们的方法在性能和可解释性方面的提升有望推动计算病理学模型的发展，特别是在需要广泛空间背景的任务中。

    Mar, 2024

  • 上下文感知自监督学习整张切片图像

    本文提出了一种通过将全切片图像 (WHIs) 表示为图来进行肿瘤诊断的方法，使用图卷积网络 (GCN) 捕获 WSI 中的上下文依赖关系，并使用自监督学习获取无标签数据的训练增强。这种方法利用节点表示 WSI 的 patch，是一种包含上下文信息的模型方案，相比于现有方法或基于多实例学习（MIL）的方案实现了性能的提升。

    Jun, 2023

  • 非对称共同训练结合可解释性细胞图集成在组织病理图像分类中的应用

    使用深度图卷积网络和卷积神经网络结合的非对称同时训练框架提升多类组织病理图像分类的解释性和性能。

    Aug, 2023

  • 数字病理中的可解释且位置感知学习

    本研究提出了一种基于整张切片图像的图像学习算法，利用基于位置的嵌入和图形注意机制，采用样条卷积神经网络进行结点位置嵌入，用于肾癌和前列腺癌的分级诊断，并使用渐变解释方法生成突出显着的区域地图，从而使该方法可解释性更好地识别 WSI 中的癌症区域。

    Jun, 2023

  • 上下文感知卷积神经网络用于结直肠癌组织学图像分级

    本文介绍了一种基于上下文感知的神经网络，可以用于对数字组织病理学图像进行更高分辨率的分析，并在结肠癌分级和乳腺癌分类方面获得了比传统方法更好的结果。

    Jul, 2019