利用深度学习在乳腺活检H
本研究利用深度学习方法,通过提取细胞核密度区域进行分类,通过 fine-tuning 原始的 Inception-v3 卷积神经网络,从而达到了对四种类型的 H&E 染色乳腺组织图像进行分类,并获得了高达 85% 的整体精确度和 93% 的癌症诊断精确度。
Feb, 2018
提出一种深度强化学习模型,利用免疫组化(IHC)评分的HER2作为顺序学习任务,以鉴别性特征学习为中心,针对多分辨率大型图像的样本块进行深度处理,以实现该评分的序列化预测,并取得了比现有方法更优越的性能,在计算病理学领域中具有推广应用的潜力,这是使用深度强化学习的第一项IHC评分研究。
Mar, 2019
本文介绍了乳腺癌免疫组化图像生成挑战赛,旨在探索深度学习技术在病理图像生成领域的新思路并促进研究。我们进一步分析了该领域的当前限制并预测了未来的发展。发放的数据集和挑战将希望能激发更多学者共同研究更高质量的免疫组化染色图像的生成。
May, 2023
通过对乳腺癌组织标本图像的数据集进行系统回顾,发现了12个公开的数据集,并对每个数据集的元数据和特征进行了报告,同时编制了一个文章中使用的补充资源列表。此外,还强调了建立乳腺癌WSI数据集元数据报告指南的必要性。
Jun, 2023
通过使用机器学习方法和数字病理学,本研究建立了一个大规模数据集(185,538张图像),通过可靠的Ki67、ER、PR和HER2状态测量结果,验证了基于ViT的标准流水线能够在正确的标注协议下达到大约90%的预测性能,同时揭示了训练分类器定位相关区域的能力,为未来改进本领域的本地化工作提供了启示。
Aug, 2023
使用深度学习方法对免疫组织化学染色的乳腺癌组织图像进行HER2状态自动分类,以提高诊断准确性和评估速度,对乳腺癌的治疗规划可能产生重大影响。
Apr, 2024
使用基于深度学习的半监督训练的全自动决策支持系统(DSS),对浸润性导管癌进行免疫组化评分,从而提高免疫组化评分的准确性和治疗决策,特别是在专家不可用的情况下。
Jun, 2024