Oct, 2024

乳腺癌分类的主流CNN架构的比较分析与集成增强

HTML
PDF
TL;DR本研究针对乳腺癌分类面临的准确性问题，提出了一种创新且精确的方法，通过比较主流卷积神经网络模型在不同图像数据集上的表现，识别其最佳超参数。我们的研究发现，通过集成多种高效模型，能够显著提升分类准确率，比如在BreakHis数据集上达到99.75%的准确率。
发现论文，激发创造
  • 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

  • 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

  • 乳腺肿瘤分类的集成卷积神经网络

    本研究探索了三种分类网络，即 XceptionNet、DenseNet 和 EfficientNet，通过集成机制来提高计算机辅助乳腺肿块分类的识别能力。在公共数据集上验证该方案，可以获得88％的准确度，85％的精度和76％的召回率。

    Apr, 2023

  • 乳腺癌检测与诊断：深度学习架构的现状比较研究

    本研究研究了应用深度学习模型和新兴模型“Vision Transformer(ViT)”进行乳腺癌的检测与诊断，结果表明ViT模型在准确性和效率方面均优于其他CNN架构，实现了95.15％的准确率。

    May, 2023

  • 乳腺组织病理学H&E全切片图像的公开数据集：系统综述

    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

  • 提高乳腺癌诊断在乳房X射线摄影中: 卷积神经网络和可解释人工智能的评估和集成

    通过将卷积神经网络（CNN）和可解释人工智能（XAI）相结合的综合框架，该研究在使用CBIS-DDSM数据集进行增强的乳腺癌诊断方面进行了介绍。研究结果显示，CNN和XAI的有效合作有助于推进乳腺癌的诊断方法，从而在临床设置中更无缝地集成先进的人工智能技术，并通过提高AI决策的可解释性，为医学专业人员和患者提供更好的协作。

    Apr, 2024

  • 卷积神经网络对癌症细胞病理学图像的分类：以乳腺癌为例

    该研究介绍了使用卷积神经网络（CNN）对病理图像进行快速分类的方法，旨在提高乳腺病理图像检测的效率。研究采用了Inceptionv3架构和迁移学习算法提取病理图像特征，并引入图像分割概念处理高分辨率图像。通过三种算法：求和、乘积和最大值，聚合每个图像块的分类概率，实验证明该方法有效地提高了乳腺癌病理图像分类的准确性。

    Apr, 2024

  • 转移学习模型在乳腺癌分类中的比较分析

    本研究解决了乳腺癌组织病理图像分类中的效率问题，比较了八种深度学习模型在区分侵袭性导管癌和非侵袭性导管癌的表现。研究发现，基于注意力机制的视觉变换器模型在验证准确率上达到了93%，显著优于传统卷积网络，这表明先进的机器学习方法在临床乳腺癌诊断中的潜在应用价值。

    Aug, 2024

  • 基于深度卷积神经网络、迁移学习和集成模型的乳腺癌检测研究

    本研究针对迁移学习和集成模型在乳腺癌检测中的应用局限性展开，比较了六种基于CNN的深度学习架构的性能。研究结果表明，集成模型在检测和分类乳腺癌方面的准确率高达99.94%，凸显了CNN模型在乳腺癌病症检测中的潜力。

    Sep, 2024