Mar, 2024

利用多任务条件神经网络进行扩展批次校准的声子显微镜可解释癌细胞检测

PDF
TL;DR通过使用条件神经网络的多任务模型，结合人工智能和声子显微镜技术，来研究和识别高频超声数据中的癌细胞；该方法能够校正批次效应、进行准确的细胞分类，并重构降噪信号，以实现疾病状态的物理解释。
发现论文，激发创造
  • 乳腺癌组织学图像分类的两级卷积神经网络

    此论文研究了乳腺组织的分类问题，提出了一种基于卷积神经网络的 “补丁 - 图像” 分类方法，并利用 ICIAR2018 数据集进行验证，在验证数据集上获得了 95% 的分类精度。

    Mar, 2018

  • CLANet: 基于 brightfield 图像的跨批次细胞系鉴定的全面框架

    提出了一种名为 CLANet 的深度学习框架，通过聚类级别的选择方法和自我监督学习策略来使用亮场图像进行跨批次细胞系识别，进而在细胞系鉴定中解决了批次效应等问题。

    Jun, 2023

  • 深度神经网络改善放射科医生乳腺癌筛查的表现

    本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

    Mar, 2019

  • 一种利用深度多注意力通道网络的新型框架，用于通过荧光显微镜自动检测转移细胞

    我们开发了一个透明的计算机大规模成像框架，可以区分正常和转移的人类细胞。该方法依赖于荧光显微镜图像，显示正常和转移的单个细胞中肌动蛋白和微丝蛋白丝的空间组织，并结合多重关注通道网络和全局可解释技术。通过深度学习网络和新的多重关注通道架构，我们对网络的可解释性进行了增强，并开发了一种可解释的全局可解释方法，将细胞图像的加权几何平均值与局部 GradCam 分数进行相关联。通过我们的分析结果，我们首次能够更详细、更具生物学意义地理解由正常细胞转变为侵袭和转移细胞伴随的细胞骨架变化。我们还为未来诊断工具开发铺平了一条可能的空间微米级生物标志物的道路（微丝蛋白的空间分布）。

    Sep, 2023

  • 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

  • 基于回归的多模态单细胞数据整合策略分析

    利用多模式单细胞技术，通过整合不同数据类型并建模模态之间的相互关系，为疾病生物标志物检测和药物发现提供了改进，实验结果表明机器学习技术对于建模细胞发展中 DNA 到 RNA 及蛋白质之间的协变性具有显著效果，有望推动对细胞分化和功能的理解并发挥机器学习的潜能。

    Nov, 2023

  • 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

  • 利用卷积神经网络自动检测钙成像数据中的神经元

    本研究使用监督式学习法和卷积神经网络进行钙成像数据中的神经元自动检测，取得了接近人类的准确率和超常的速度，且相对于流行的 PCA/ICA 方法，其精度和召回率更优，显示出作为分析大规模钙成像数据的高效且灵活的工具的潜力。

    Jun, 2016

  • 淋巴结转移癌症检测的半监督学习

    用逐步的方式查找转移组织的任务通常很具有挑战性，这篇研究提出了使用基于深度卷积神经网络的半监督学习方法的模型来自动分析肿瘤病理扫描图像中的前哨淋巴结状态，表现比标准 CNN 基准表现更好，并在 PatchCamelyon 数据集上进行了验证。

    Jun, 2019

  • 发光献艺：巴那科罗染色改进基于人工智能的细胞学口腔癌检测

    结合多模态成像和深度融合的方法，该研究旨在提高基于人工智能的口腔癌检测的准确性，通过亚甲基蓝染色液基细胞学刷片的亮场和荧光显微镜成像分析，证实荧光成像提供了重要的诊断信息，并且多模态融合方法提高了单模态方法的分类和癌症检测准确性，其中 Co-Attention Fusion Network（CAFNet）模型在测试中表现优秀，F1 分数达到 83.34％，准确率为 91.79％，超越了人类的表现，进一步测试显示对图像配准的精确性优化有助于优化多模态分析的效果，这项研究通过结合深度学习和多模态成像推动了细胞病理学的发展，提高了口腔癌的早期非侵入性检测的准确性，改进了诊断精度和临床工作流程，并且该研究开发的流程也适用于其他细胞学领域。

    Jul, 2024