Apr, 2024

基于深度迁移学习的乳腺癌图像分类方法

PDF
TL;DR提出了一种结合深度学习和迁移学习的乳腺癌图像分类模型算法，解决了有限样本、耗时的特征设计和低准确率的问题。这个算法基于深度神经网络的 DenseNet 结构，通过引入注意机制构建网络模型，并使用多级迁移学习对增强的数据集进行训练，实验结果表明，该算法在测试集上达到了 84.0％以上的效率，与之前的模型相比显著提高了分类准确度，适用于医疗乳腺癌检测任务。
发现论文，激发创造
  • 基于迁移学习的乳腺癌组织病理图像检测深度分析

    本研究使用 2453 个组织病理学图像数据集，分离有侵袭性导管癌（IDC）和无 IDC 的数据，分析了预训练的深度迁移学习模型如 ResNet50、ResNet101、VGG16 和 VGG19 在检测乳腺癌方面的应用，研究发现 ResNet50 模型的准确率可达 90.2％，曲线下面积（AUC）率为 90.0％，召回率为 94.7％，不适当损失为 3.5％。

    Apr, 2023

  • 乳腺癌组织病理图像分类的双重迁移学习

    该论文提出了一种基于迁移学习和支持向量机分类器的方法，用于对乳腺癌组织病理学图像进行分类，实现了除去不相关区域从而提高分类准确率的目的，相较于现有技术，在 4 个乳腺癌放大倍数中，已有三个倍数的方法表现更为优异。

    Apr, 2019

  • 使用深度卷积神经网络进行乳腺密度分类

    通过探索超过 200,000 例乳腺癌筛查检查的数据集，使用强卷积神经网络分类器对乳腺密度分类这一问题进行训练和验证，并在读者研究中发现该模型可以与人类专家相媲美。

    Nov, 2017

  • 卷积神经网络在乳腺癌筛查中的应用：指数衰减下的迁移学习

    本文提出一种基于卷积神经网络模型的计算机辅助诊断系统，通过迁移学习和微调层次，探索了在大数据稀缺的情况下分类乳腺肿块病变的方式，与其他方案相比表现更佳。

    Nov, 2017

  • 使用深度学习进行乳腺癌检测

    本文旨在提供一种基于 CNN 和深度学习的乳腺癌检测模型，该模型通过重建微波成像扫描数据并使用多种不同的 CNN 架构进行特征提取和肿瘤检测，最终得出使用 NASNetLarge 模型的 CNN 模型具有较高准确率和较低损失的结论，为微波成像技术在乳腺癌筛查中的应用提供了新的研究方向。

    Apr, 2023

  • 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

  • 一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用

    通过改进监督对比学习方法，结合自监督学习和标签数据，在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率，特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。

    May, 2024

  • 使用 DRDA-Net 和 MobileNet 进行乳腺癌分类的轻量级深度学习管道

    通过引入一种新的深度学习方法，结合 DRDA-Net 和 MobileNet 模型，旨在提高乳腺癌组织病理图像的分类准确性，从而为准确的乳腺癌诊断提供了更快速和更易于实现的筛查方案。

    Mar, 2024

  • 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

  • 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