Mar, 2024

评估深度学习在前列腺癌自动格里森分级中的性能

PDF
TL;DR通过利用数字病理学和人工智能，该研究探索了 11 种深度神经网络架构在自动化前列腺癌格里森分级中的潜力，重点比较了传统和最新的架构。使用基于 AUCMEDI 框架的标准化图像分类流程，在具有 34,264 个注释组织切片的内部数据集上进行了强大的评估。结果显示不同架构的敏感性各不相同，其中 ConvNeXt 表现最好。值得注意的是，即使在区分紧密相关的格里森分级方面存在挑战，新的架构也取得了优越的性能。ConvNeXt 模型能够在复杂性和泛化能力之间学到平衡。总的来说，该研究为改善前列腺癌诊断效率奠定了基础。
发现论文，激发创造
  • DeepGleason: 使用深度神经网络进行前列腺癌 Gleason 分级的自动化系统

    利用深度神经网络和全幅组织病理图像，我们提出了 DeepGleason：一种用于自动 Gleason 评分的开源深度神经网络图像分类系统，展示了其在准确和可靠的 Gleason 评级方面的较高性能。

    Mar, 2024

  • 开发与验证基于深度学习算法的前列腺癌格里森评分改进

    本研究开发了一个深度学习系统，利用细胞病理医生注释的图像样本对前列腺癌组织学图像进行 Gleason 评分，精度达 0.70，较普通病理医生有较大改善，有望提高患者预后评估准确性，并且可以更细致地描述和量化肿瘤形态学。

    Nov, 2018

  • 通过 Gleason 评分标准深度探究：组织学前列腺分级和网格图案检测的自动化端到端系统

    本篇论文旨在开发基于深度学习技术的系统，以支持病理学家对前列腺活检材料进行分析，并从中检测 Gleason 网格 4 的癌性模式。通过训练自设计的简单神经网络模型，我们获得了比现有模型更好的 Gleason 等级分类结果，并且在癌性模式检测和活检 Gleason 评分方面也取得了良好的效果。

    May, 2021

  • 大规模数字前列腺病理图像分析：特征提取与深度神经网络结合

    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

  • 基于图卷积网络的前列腺 TMA 弱监督分类

    本文提出了一种使用图卷积网络（GCN）进行组织微阵列（TMA）级别标注的弱监督方法，作为格里森分数的客观评级替代方案，并通过对细胞形态学特征的自监督学习，实现了对组织生成、肿瘤细胞群落结构的更好建模。五倍交叉验证结果显示，该方法可以在 TMA 级别标注下达到 0.9659±0.0096 的 AUC 值，具有显著性能提升。

    Oct, 2019

  • 使用深度卷积神经网络进行前列腺癌检测

    本文介绍了基于卷积神经网络（CNNs）构建自动化流程，用于检测临床意义的前列腺癌（PCa）的给定轴向 DWI 图像，并为每个患者进行检测。检测性能在受试患者中获得了 0.87 的接收器操作特征曲线下面积（AUC）（95％置信区间（CI）：0.84-0.90），在切片级别和患者级别分别为 0.84（95％CI：0.76-0.91）。

    May, 2019

  • 乳腺癌检测与诊断：深度学习架构的现状比较研究

    本研究研究了应用深度学习模型和新兴模型 “Vision Transformer (ViT)” 进行乳腺癌的检测与诊断，结果表明 ViT 模型在准确性和效率方面均优于其他 CNN 架构，实现了 95.15％的准确率。

    May, 2023

  • 基于卷积神经网络的三维磁共振成像数据前列腺癌分类

    评估了不同的卷积神经网络（CNN）对 MRI 序列是否含有恶性病变进行可靠分类的能力，训练和评估了 3D 图像数据的 ResNet、ConvNet 和 ConvNeXt 实现，并使用不同的数据增强技术、学习率和优化器进行训练。最佳结果由 ResNet3D 获得，平均精确率为 0.4583，AUC ROC 得分为 0.6214。

    Apr, 2024

  • 深度卷积神经网络用于乳腺癌组织学图像分析

    本研究基于深度卷积神经网络开发了计算方法，用于乳腺癌组织病理图像分类，包括四类和两类（用于检测癌变）分类任务，在高灵敏度操作点上，我们报告了 93.8% 的准确性，97.3% 的 AUC 和 96.5/88.0% 的敏感性 / 特异性，超过了其他常见的自动组织病理学图像分类方法。

    Feb, 2018

  • 基于深度学习的 PET/CT 体积中肿瘤的分割：不同架构和训练策略的基准

    癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。

    Apr, 2024