预处理:宫颈癌早期自动检测的一步
Preprocessing: A Step in Automating Early Detection of Cervical Cancer
摘要:
这篇论文已经被撤回了
英文摘要:
This paper has been withdrawn
机构、总结、中文摘要均由AI分析而来,可能存在错误,请以论文正文为准。
Preprocessing: A Step in Automating Early Detection of Cervical Cancer
Abhishek Das, Avijit Kar, Debasis Bhattacharyya
这篇论文已经被撤回了
This paper has been withdrawn
机构、总结、中文摘要均由AI分析而来,可能存在错误,请以论文正文为准。
继续探索
Preprocessing for Automating Early Detection of Cervical Cancer
子宫颈癌是世界范围内女性最常见的癌症之一。大多数宫颈癌病例可以通过旨在检测癌前病变的筛查计划来预防。在数字阴道镜检查期间,阴道镜图像或宫颈照片以原始形式采集。它们包含镜面反射,表现为白光严重饱和的亮点,由于子宫颈表面不均匀存在水分而发生。宫颈区域占据原始宫颈照片图像的大约一半。图像的其他部分包含不相关的信息,例如设备、帧、文本和非宫颈组织。这种不相关的信息会混淆子宫颈内组织的自动识别。因此,我们专注于颈部边界,以便我们在相关图像区域上具有几何边界。我们的新技术消除了SR,确定感兴趣的区域,并使宫颈造影准备分割算法。
Contrast Enhancement or Noise Reduction? On Improving Cervical Cancer Classification
本研究评估了PMD滤波器和CLAHE两种预处理算法对ResNet-34等三种CNN的巴氏涂片图像分类性能的影响,发现CLAHE提升效果更显著,为宫颈癌分类提供了新流程。
Advanced cervical cancer classification: enhancing pap smear images with hybrid PMD Filter-CLAHE
本研究提出混合PMD滤波器-CLAHE预处理方法,在SIPaKMeD数据集上显著提升多种CNN模型对宫颈癌巴氏涂片图像的分类性能,准确率最高提升13.62%。
AI Guided Early Screening of Cervical Cancer
本文提出了一套面向宫颈癌早期筛查的医学影像预处理与增强流水线,通过中心裁剪、归一化、对比度增强和实时数据增强构建高质量训练数据,以支持可靠的异常检测机器学习模型。
Impact of PCA-based preprocessing and different CNN structures on deformable registration of sonograms
中心静脉导管(CVC)通常插入颈部的大静脉,例如颈内静脉(IJV)。CVC插入可能会导致严重的并发症,如错位到动脉或颈部血管穿孔。在超声引导下放置CVC是减少此类不良事件的适当方法,如果能够可靠地检测到静脉和动脉血管等解剖标志。应通过配准患者个体图像与解剖标记的参考图像来解决该任务。在这项工作中,一个线性,仿射变换进行宫颈超声,然后通过非线性变换,以实现更精确的注册。体素形态(VM),一个基于学习的库的变形图像配准使用卷积神经网络(CNN)与U-Net结构被用于非线性变换。基于主成分分析(PCA)的患者个体图像预去噪的影响,以及具有不同复杂性的修改后的网络结构对配准结果的影响进行了视觉和定量检查,后者使用变形和图像相似性的度量。使用PCA近似的宫颈超声检查导致平均变形长度减少18%至66%之间,与原始图像相比,这取决于网络结构。此外,减少卷积层的数量导致与PCA图像的图像相似性提高,而原始图像则恶化。尽管大量减少了网络参数,但没有观察到配准质量的整体下降,从而得出结论,即原始网络结构对于手头的任务来说过大。
A Lightweight, Interpretable Deep Learning System for Automated Detection of Cervical Adenocarcinoma In Situ (AIS)
本研究提出了一种轻量且可解释的深度学习系统,用于自动检测宫颈腺癌原位癌,实现了73.23%的总体准确率,并通过Grad-CAM热图验证了模型的生物可解释性。
AI-Assisted Cervical Cancer Screening
本文提出一种基于智能手机的AI辅助宫颈癌筛查系统,通过设计资源有限环境下的图像采集规范并利用1430名女性的VIA图像训练深度学习分类模型,实现了无需专用设备即可辅助护士识别癌前病变。
Automated Cervical Cancer Detection through Visual Inspection with Acetic Acid in Resource-Poor Settings with Lightweight Deep Learning Models Deployed on an Android Device
本文提出一种轻量级深度学习方案,结合EfficientDet-Lite3感兴趣区域检测与MobileNet-V2分类模型,部署于安卓设备,实现资源匮乏环境下无需联网和高资质人员的宫颈癌VIA自动筛查,测试准确率达92.31%。
HistoViT: Vision Transformer for Accurate and Scalable Histopathological Cancer Diagnosis
本研究提出基于Vision Transformer的深度学习框架HistoViT,通过简化的预处理管道处理组织病理学图像,在四个基准数据集上实现高准确率分类,验证了Transformer架构在数字病理学中的临床潜力。
扫码添加微信好友,提出您的宝贵建议 👇
💡 备注请填写:网站反馈
发表机构由 AI 从论文文本抽取,如发现错误,欢迎反馈修正建议。