黑素细胞皮肤肿瘤全切片图像中感兴趣区域检测 -- 痣和黑素瘤
该研究提出了一种简单而新颖的基于卷积神经网络(CNN)的 “网络中的网络” 方法,用于分割皮肤病变。作者使用了一种名为 Faster RCNN 的方法进行预处理,配合 UNet 和 Hourglass 网络实现皮肤病变的分割。在 ISIC 2018 数据集上,该方法的 Dice 相似度系数达到 0.915,准确率达到 0.959,在 ISBI 2017 数据集上,Dice 相似度系数达到 0.947,准确率达到 0.971。
May, 2020
该研究介绍了一种病理深度学习系统 (PDLS),该系统可以对数码全幻灯片图像进行分类诊断,特别是在诊断黑色素瘤和良性黑色素细胞痣时表现出较高的敏感性与优异的性能,可以帮助病理医生明确合适的病理检查先后顺序,缩短患者等待诊治时间,最终改善患者的生命质量。
Sep, 2021
本文提出了使用深度神经网络实现黑色素细胞分割的方法,以解决由病理学家不一致性引起的黑色素瘤诊断的问题。通过使用免疫组化切片进行训练,最终得到了可靠的结果。
Nov, 2022
通过研究利用 MelanA 和 H&E 染色组织切片的深度学习支持系统,我们发现 MelanA 分类器与基准 H&E 分类器表现相似,可以通过多染色分类进一步提高性能,为病理学家的临床工作提供帮助。
Sep, 2023
通过弱监督的多实例学习方法,利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测,结果显示与参考实现(AUC 0.96)相匹配的新型叠加多实例学习和关注多实例学习(AUC 0.97)对肿瘤和 TP53 突变的检测能力优于其他 AI 架构,并在不同放大级别下显示对形态特征的不同敏感性。
Apr, 2024
应用深度学习技术分析组织病理图片对于自动预后预测的重要性进行了创新性研究,提出了一个新颖的三部分框架,包括基于卷积网络的组织分割算法、对比学习模块和嵌套多示例学习分类模块。在人工生成的数据和简单的诊断任务上进行了初步验证,并在膀胱癌的预后预测任务中取得了显著的成果,模型的 AUC 分别达到 0.721 和 0.678。
May, 2024
本文介绍了一种结合深度学习和机器学习的系统,通过分割皮肤病变区域及其周围组织进行黑色素瘤检测,使用公开数据集验证,相比于专家医生的平均准确率高达 76%。
Oct, 2016
本文章介绍了一项公共皮肤科图像分析挑战赛的设计与实现,其目的是支持自动诊断致命皮肤癌症麻风疹的算法的研究与开发。通过划分子挑战来分别完成图像分析任务,包括皮损分割、皮损内皮肤镜特征检测和黑色素瘤分类。最终统计共有 79 组参赛选手,38 名参赛者,是迄今为止在皮损镜下诊断黑色素瘤的最大标准化和比较研究之一。
May, 2016
本研究使用 VGG19 模型进行三种可视化方法操作,包括 Gradient、LRP Z 和 LRP Epsilon,与三种像素选择方法操作,包括 Bins、K-means 和 MeanShift,以对恶性和良性的组织学图像进行分类,并比较所得到的感兴趣区域与病理学家的独立标注的结果,结果表明,Gradient 可视化方法和 MeanShift 像素选择方法可满足图像可视化的需要。
May, 2023
本文提出了两种深度学习方法来解决皮损分割、皮损皮肤镜特征提取和皮损分类三个任务,实验结果在 ISIC 2017 测试集上表现出有前景的准确率
Mar, 2017