NCT-CRC-HE: 并非所有的组织病理学数据集都同样有用
本文使用卷积神经网络(ConvNets)提出了一种用于直肠癌组织分类的系统,并探究了组织分类中染色归一化的重要性,同时报告了ConvNets在一批直肠癌样本和一组公开的结直肠H&E图像数据集上的表现。
Feb, 2017
使用细胞图卷积神经网络(CGC-Net)将大肠癌组织学图像转化为图形,并采用Adaptive GraphSage技术融合不同层级的特征,以有效地对普通基于补丁的方法及上下文相关的基于补丁的技术进行超越,描述新型的 CRC 分级方法。
Sep, 2019
本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析,从130多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。
Dec, 2019
使用U-Net多任务模型结合颜色和统计学增&测试时增强,来实现对组织分割和肿瘤检测的自动化,以期解决由于公共数据集稀缺和图像变异导致的困难。在CRC检测(SemiCOL)2023挑战上,该方法在被部分标注的数据集上取得了.8655的Dice分数(Arm 1)和.8515的Dice分数(Arm 2)用于组织分割,并在肿瘤检测方面分别达到了.9725(Arm 1)和.9750(Arm 2)的AUROC值。
Apr, 2023
癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤,本研究通过深度学习构建了一个潜在的肿瘤预后分类模型,利用组织病理学图像中有价值的信息,选择了PatchCamelyon基准数据集,训练了多层感知器和卷积模型,并评估了其精确度、召回率、F1得分、准确度和AUC得分,结果显示基准卷积模型表现优于基准多层感知器模型。此外,本文还引入了ResNet50和InceptionNet模型,并使用数据增强,其中ResNet50能够超越最先进的模型,最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。
Nov, 2023
我们提出了一种新颖的细胞至块状图卷积网络(C2P-GCN),该方法通过双阶段图形构建,将整个WSI的结构数据整合到单个图中,有效地在腺癌病理图像中收集局部结构细节,并在所有块状图像之间建立有意义的连接。C2P-GCN通过将整个WSI的结构数据整合到单个图中,使我们的模型能够使用比最新的结直肠癌模型更少的训练数据,实验证明了我们方法的有效性。
Mar, 2024
提出了一个新颖的DeepCMorph模型,通过预训练学习细胞形态学并识别大量不同的癌症类型,取得了与之前的解决方案相比超过4%的82%准确率,并展示了该预训练模型在小样本显微镜数据集上的优越性能。
Jul, 2024
本研究解决了组织病理图像分析中对大规模数据集的依赖问题,提出了一种新颖的数据集蒸馏算法Histo-DD,结合了染色标准化和模型增强。实验结果表明,Histo-DD生成的合成样本能有效保留区分性信息,显著降低训练成本,并具有体系结构无关的特性,展示了合成样本在替代大规模数据集方面的潜力。
Aug, 2024