May, 2024

基于注意力对抗正则化变分图自编码器的乳腺组织病理图像检索与对比学习特征提取

PDF
TL;DR提出了一种用于乳腺组织图像检索的新型基于注意力的对抗正则化变分图自编码器模型，结合聚类引导的对比学习作为图特征提取器，评估其在乳腺癌组织图像数据集上的性能并取得了卓越的结果，具有在临床环境中提高诊断性能的潜力，从而最终造福于患者。
breast cancerhistopathology examinationsautomated image retrieval systemsadversarially regularized variational graph autoencoder modelclinical settings
发现论文，激发创造
  • 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

  • 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

  • 采用无监督 CAE 方法实现更透明和准确的癌症诊断

    通过使用基于内容的医学图像检索 (CBMIR) 分析组织病理学切片图像，数字病理学通过提供一种强大的工具进而革命了肿瘤诊断；为了解决 CBMIR 中缺乏标注的组织病理学图像的问题，文中提出了一种无监督学习方法 (UCBMIR), 并采用基于卷积自编码器 (CAE) 的自定义方法提取特征，经过实验表明该方法具有较高的识别准确率。

    May, 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

  • 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

  • 利用异构图模型对生物实体的空间关系进行建模，用于乳腺癌的诊断

    本文旨在提出一种基于异构图神经网络的新方法，通过捕获细胞与组织之间的空间和层次关系，增强组织学图像中有用信息的提取，与转换器方法相比，本方法在参数数量和准确性方面都有所突破，在三个公开的乳腺癌数据集中表现出更高的效率和精度。

    Jul, 2023

  • 面向组织学图像的乳腺癌更透明诊断的孪生基于内容的搜索引擎

    通过提出的两种基于内容的组织学图像检索（CBHIR）方法，在乳腺和皮肤癌数据集上集成了自定义的孪生网络作为特征提取器，实现了稳健准确的补丁级检索，并在顶部 K 正确率上评估，以解决组织学图像中的问题。

    Jan, 2024

  • 基于生成式对抗网络的组织病理图像细胞级视觉信息无监督学习

    本文提出了一种新的联合生成 - 对抗网络架构，通过学习细胞级别的视觉表示来执行无监督的细胞级别视觉表示学习，并利用这种学习开发了一种能够在骨髓数据集上进行组织病理学图像分类的流程。

    Nov, 2017

  • BACH：乳腺癌组织学图像大挑战赛

    利用组织学图像的自动分类方法可以提高乳腺癌的诊断准确性，并通过组织学图像的自动分类的算法进一步推进形态学领域的发展。本文评估了在大型数据集上集成卷积神经网络的方法，将其用于在乳腺癌图片的分类问题，并在自动分类的准确性方面取得了一定的进展。

    Aug, 2018

  • 学习图像表示以进行异常检测：应用于药物开发中发现组织学改变

    本文提出了一种在组织病理学图像中进行异常检测的系统，该系统使用单类分类器、预训练的卷积神经网络和一个辅助任务进行训练，并用于药物毒性评估，结果优于已有的方法。

    Oct, 2022