May, 2024

局部晚期直肠癌治疗反应的深度学习分类器基于内窥镜图像

PDF
TL;DR我们开发了一个深度学习分类器，用于从内窥镜图像中识别在全新辅助治疗过程中的直肠癌反应（肿瘤与非肿瘤）。我们通过使用基于最优质量运输的图像协调方法来解决内窥镜图像的多样性，并通过评估多种训练规范化方案来研究 ResNet-50 网络在分布内和接近分布外的泛化能力。我们的结果表明，现成的深度学习分类器能够在不同阶段的疗法监测中从内窥镜图像中检测直肠癌。
发现论文，激发创造
  • 使用 CNN 特征进行 NBI 内窥镜下辅助结直肠肿瘤分类

    本文通过对不同 CNN 模型提取特征，并使用 SVM 分类器进行比较实验，得出在结肠镜图像识别方面，通过提取卷积层的特征即可达到 95% 的识别率，不需使用非 CNN 局部特征。

    Aug, 2016

  • 采用带类别感知损失的知识蒸馏进行内窥镜疾病检测

    本文提出了一个利用深度学习来改善诊断失误率的框架，针对胃肠道癌症的诊断，利用端到端的师生学习方式，采用多类别学生网络来利用训练过的师范模型的类别概率，从而提高困难检测病变的定位并最小化漏检率，模型在两个数据集上都实现了更高的 mAP，并且具有泛化性。

    Jul, 2022

  • 基于视觉 Transformer 的子宫内膜癌组织学分类的深度学习

    介绍了一种基于转换器的深度学习方法 EndoNet，用于子宫内膜癌的组织学分类。通过使用卷积神经网络提取组织学特征并使用视觉转换器聚合这些特征，将切片基于其视觉特征分类为低级别和高级别类型，该模型在内部和外部测试中表现出良好的性能。

    Dec, 2023

  • 通过引导学习：内窥镜图像分类的知识蒸馏

    内窥镜在识别胃肠道的潜在异常方面起着重要作用。最近，深度学习，特别是卷积神经网络（CNNs），在胃肠道内窥镜图像分析方面报道了显著的优势。然而，现有的模型大多关注性能的提高，缺乏开发在资源有限环境中运行的轻量级模型的重点。我们通过三种基于知识蒸馏学习框架进行研究，并引入了一种新颖的基于多头注意力的特征融合机制来支持基于关系的学习。在两个广泛使用的公共数据集 KVASIR-V2 和 Hyper-KVASIR 上进行了广泛的评估，实验结果表明了我们提出的基于关系的框架在实现资源有限环境中运行的改进轻量级模型（仅有 51.8k 可训练参数）方面的优点。

    Aug, 2023

  • 探索可解释人工智能技术以提高肺癌和结肠癌分类的可解释性

    利用深度学习方法对肺癌和结肠癌进行组织学图像分类，取得了 97% 至 99% 的准确率，并通过注意力可视化技术提高了恶性和良性图像分类的解释性和理解。

    May, 2024

  • 有限数据访问情境下的深度学习结肠癌检测研究

    该研究使用基于深度学习的模型探讨了在组织分类问题中，通过利用组织之间的结构特征解决数据不足的问题。研究进一步表明，借助少量或无淋巴节点数据，利用原始肿瘤组织或通过 Cycle-GANs 变换的乳腺癌数据训练的模型可以用于发现其他器官的癌症细胞扩散情况。

    May, 2020

  • 基于深度学习和集成机器学习的结直肠癌组织学分解性能提升

    利用混合深度学习和集成机器学习模型，该研究提出了一种超越以往解决方案的组合模型，对肠直肠癌的组织分类任务取得了 96.74％的准确率，在外部测试集上达到 99.89％的准确率。

    Oct, 2023

  • 基于视觉触觉感知与置信校准神经网络的可靠结肠癌息肉分类

    本研究提出了一种置信度校准的残差神经网络用于结直肠癌息肉分类，该模型采用了新颖的基于视觉的触觉传感系统和独特的结直肠癌息肉幻影，并通过温度缩放后处理方法解决过于自信的输出问题。通过引入噪声和模糊处理检验模型可靠性，结果显示模型有效地处理了非理想输入。

    Apr, 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

  • 面向全球的乳腺癌筛查多实例分类器

    本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。

    Jun, 2019