基于自动深度学习的乳腺动态增强磁共振图像归一化

乳腺X线图像乳腺区域的自动提取及胸肌去除

Automatic Mammogram image Breast Region Extraction and Removal of Pectoral Muscle

Periyar University（佩里亚尔大学）

目前，乳房X线摄影术是放射科医生用于筛查乳腺癌的最有效的成像方式。寻找一种准确、鲁棒、高效的乳腺区域分割技术仍然是数字乳腺摄影中的一个具有挑战性的问题。乳腺轮廓区域的提取和胸肌的去除是乳腺癌计算机辅助诊断（CAD）系统中必不可少的预处理步骤。首先，它允许对异常的搜索限于乳房组织的区域，而不会受到乳房X线照片背景的过度影响。乳房X线照片中胸肌的存在使检测程序产生偏差，该检测程序建议在乳房X线照片图像预处理期间去除胸肌。乳房X线片中胸肌的存在可能会干扰或影响乳腺癌的检测，因为胸肌和乳房X线片中的实质瘤看起来相似。乳腺区域提取的目标是在不丢失解剖信息的前提下缩小图像尺寸，提高整个CAD系统的准确性。本研究的主要目的是提出一种自动化的方法来识别胸肌内侧斜（MLO）视图乳腺X线照片。本文提出了一种基于直方图的8邻域连通成分标记方法来提取乳房区域并去除胸肌。所提出的方法进行评估，通过使用平均值的准确性和误差。对比分析表明，该方法能更准确地识别出乳房区域。

2013-07-29cs.CV

基于标记控制分水岭变换的乳腺MRI病灶半自动分割算法

Semi-Automatic Algorithm for Breast MRI Lesion Segmentation Using Marker-Controlled Watershed Transformation

Friedrich-Alexander-University Erlangen-Nuremberg（埃尔朗根-纽伦堡大学）；Universitat Politècnica de València（瓦伦西亚理工大学）；Universitätsklinikum Erlangen（埃尔朗根大学医院）

磁共振成像（MRI）是一种有效的成像方式，用于识别和定位女性乳腺病变。使用计算机辅助诊断（CAD）系统进行准确和精确的病变分割是评估肿瘤体积和量化肿瘤特征的关键步骤。然而，这是一项具有挑战性的任务，因为乳腺病变具有复杂的形状，拓扑结构，以及患者之间强度分布的高差异。在本文中，我们提出了一种新的基于标记控制的分水岭变换的方法，该方法使用感兴趣区域（由专家确定）中最亮的像素作为标记来克服这一挑战，并准确地分割乳腺MRI中的病变。对106个病变进行了评估，其中包括64个恶性病变和42个良性病变。分割结果通过与地面真实标签的比较进行量化，使用Dice相似系数（DSC）和Jaccard指数（JI）度量。所提出的方法实现了平均Dice系数为0.7808 $\pm$ 0.1729和Jaccard指数为0.6704 $\pm$ 0.2167。这些结果表明，所提出的方法显示了未来的工作有关的良性和恶性乳腺病变的分割和分类的承诺。

2017-12-14cs.CV

主动学习在乳腺癌诊断中的应用

Active Learning for Breast Cancer Identification

Shenzhen University（深圳大学）

乳腺癌是女性第二常见的恶性肿瘤，已成为当今社会的重大公共卫生问题。传统的乳腺癌识别需要经验丰富的病理学家仔细阅读乳房切片，这是费力的，并遭受观察者之间的变化。因此，一个自动分类框架，乳腺癌识别是值得发展的。近年来，深度学习技术得到了迅速发展。越来越多的医疗应用开始使用深度学习来提高诊断准确性。本文提出了一种新的训练策略，即反向主动学习（RAL），用于训练网络对乳腺癌图像进行自动分类。我们的RAL被应用到一个简单的卷积神经网络（CNN）的训练集，以消除错误标记的图像。我们评估了在公开的ICIAR 2018乳腺癌数据集（IBCD）上使用RAL训练的CNN。实验结果表明，我们的RAL提高切片基于CNN的准确率从93.75%到96.25%。

2018-04-18cs.CV

基于深度卷积神经网络和SVM分类器的乳腺肿块自动检测

Automatic Mass Detection in Breast Using Deep Convolutional Neural Network and SVM Classifier

University of Girona（赫罗纳大学）

乳腺X线摄影是筛查乳腺癌最广泛使用的金标准，其中肿块检测被认为是突出的步骤。然而，检测乳房中的肿块是一个艰巨的问题，因为它们通常在形状、大小、边界和纹理方面存在很大的差异。在这篇文献中，质量检测的过程是使用深度卷积神经网络（DCNN）的迁移学习技术自动化的。该方法首先采用预训练的VGG 19网络进行特征提取，然后采用Bagged决策树进行特征选择，最后训练支持向量机（SVM）分类器进行肿块和非肿块的分类。ROC曲线下面积（AUC）被选为性能指标，然后在分类器选择和超参数调整期间最大化。在选择性能最好的分类器之前，通过大量的实验研究了两种选定类型的分类器C-SVM和\u{psion} -SVM的鲁棒性。本文中的所有实验都使用INbreast数据集进行。从实验结果获得的最佳AUC为0.994 +/- 0.003，即[0.991，0.997]。我们的研究结果得出结论，通过使用预训练的VGG 19网络，可以从乳房X线照片中提取高级别的独特特征，当与所提出的SVM分类器一起使用时，能够鲁棒地区分乳房中存在的肿块和非肿块。

2019-07-09cs.CV

基于卷积神经网络的染色归一化乳腺组织学图像识别

Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection

Center for Wireless Networks & Applications (WNA), Amrita Vishwa Vidyapeetham（阿姆里塔·维什瓦·维迪亚皮塔姆大学无线网络与应用中心）；Valeo（法雷奥）；Department of Computer Science and Engineering, Amrita Vishwa Vidyapeetham（阿姆里塔·维什瓦·维迪亚皮塔姆大学计算机科学与工程系）；School of Computing and Electrical Engineering, IIT Mandi（印度理工学院曼迪分校计算与电气工程学院）

数字病理学中的计算机辅助诊断正变得无处不在，因为它可以提供更有效和客观的医疗诊断。最近的进展表明，卷积神经网络（CNN）架构是一种成熟的深度学习范式，可用于设计用于乳腺癌检测的计算机辅助诊断（CAD）系统。然而，由于染色可变性和染色归一化与这种深度学习框架的影响所带来的挑战尚未得到很好的探索。此外，对于高通量筛选可能很重要的可以说更有效的网络模型的性能分析也没有得到很好的探索。我们考虑了一些当代的CNN模型，用于乳腺组织病理学图像的二进制分类，包括（1）使用自适应颜色去卷积（ACD）对染色归一化图像进行数据预处理基于颜色归一化算法来处理染色可变性;以及（2）应用基于迁移学习的一些可以说更有效的CNN模型的训练，即视觉几何组网络（VGG 16），MobileNet和EfficientNet。我们已经在公开可用的BreakHis数据集上验证了经过训练的CNN网络，用于200倍和400倍放大的组织病理学图像。实验分析表明，在大多数情况下，预训练的网络在染色归一化的数据增强乳腺组织病理学图像上产生更好的质量结果，而不是没有染色归一化的情况。此外，我们使用染色归一化图像评估了流行的轻量级网络的性能和效率，发现EfficientNet在测试准确性和F1得分方面优于VGG 16和MobileNet。我们观察到，在测试时间方面，EfficientNet的效率优于其他网络; VGG Net，Mobi…

2022-01-04cs.CVeess.IV

基于深度神经网络的乳腺癌淋巴结自动分级

Automatic breast cancer grading in lymph nodes using a deep neural network

University of Heidelberg（海德堡大学）；DKFZ Heidelberg（海德堡德国癌症研究中心）

乳腺癌的进展可以在淋巴结全载玻片图像（WSIs）中量化。我们描述了一种新的方法，有效地进行分类的全载玻片图像和患者水平的乳腺癌分级。我们的方法利用了深度神经网络。该方法对小块进行分类，并使用模型平均进行提升。在第一步中，感兴趣区域的补丁被确定和裁剪自动颜色阈值，然后由深层神经网络分类。分类结果用于确定载玻片级别类别，并用于进一步聚合以预测患者级别等级。我们的方法的快速处理速度使得高通量图像分析成为可能。

2017-07-24cs.CVcs.LG

使用卷积神经网络生成的种子点和约束体积生长监测DCE-MRI上的乳腺癌反应

Response monitoring of breast cancer on DCE-MRI using convolutional neural network-generated seed points and constrained volume growing

Image Sciences Institute, University Medical Center Utrecht（乌得勒支大学医学中心影像科学研究所）；Department of Radiology, Antoni van Leeuwenhoek Hospital - The Netherlands Cancer Institute（荷兰癌症研究所安东尼·范·列文虎克医院放射科）

乳腺癌对新辅助化疗（NAC）的反应可以使用磁共振成像（MRI）上可见肿瘤的变化来监测。在我们目前的工作流程中，种子点被手动放置在可能包含癌症的增强区域。受约束的体积生长方法使用这些手动放置的种子点作为输入，并生成肿瘤分割。该方法使用完整的病理包埋进行了严格验证。在这项研究中，我们建议利用深度学习进行快速和自动的种子点检测，取代我们现有的和经过充分验证的工作流程中的手动种子点放置。种子点发生器是在早期乳腺癌患者中开发的，具有病理学证实的分割（N=100），在MRI后不久进行手术。它由三个独立训练的完全卷积扩张的神经网络组成，将乳腺体素分类为肿瘤或非肿瘤。随后，将局部最大值用作接受NAC的患者（N=10）中体积生长的种子点。根据半自动分割评价肿瘤体积变化的百分比。原发癌定位在95%的肿瘤中，每名患者的假阳性率为0.9。假阳性包括起源不明的局灶性增强区域和部分乳房内血管。从种子点生长的体积显示中位肿瘤体积减少70%（四分位数间距：50%-77%），与半自动分割（中位数：70%，四分位数间距：23%-76%）相当。总之，开发了一种快速自动的种子点生成器，完全自动化了一种经过充分验证的半自动工作流程，用于监测乳腺癌对新辅助化疗的反应。

2018-11-22cs.CV

乳腺癌组织学图像医学预诊断系统

A Medical Pre-Diagnosis System for Histopathological Image of Breast Cancer

George Washington University（乔治华盛顿大学）；University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）

本文构建了一种新型的智能医疗诊断系统，该系统能够实现自动通信和乳腺癌病理图像识别。该系统包括两个主要部分，一个是预训练的聊天机器人M-Chatbot，另一个是改进的EfficientNetV 2-S神经网络模型EfficientNetV 2-SA，其中上层的激活函数由ACON-C代替。M-Chatbot利用信息检索机制，指导患者将乳腺病理图像发送到EfficientNetV 2-SA网络，然后经过迁移学习训练的分类器将返回诊断结果。我们分别在外部指标和BreakHis数据集上验证了我们的聊天机器人和分类的性能。M-Chatbot的任务完成率达到63.33%。对于BreakHis数据集，EfficientNetV 2-SA网络的最高准确率达到了84.71%。所有这些实验结果表明，该模型可以提高图像识别的准确性和我们的新的智能医疗诊断系统是成功的，有效地提供自动诊断乳腺癌。

2021-09-16cs.CV

改进的乳腺超声图像分割：半自动两点直方图分割技术

Improving Segmentation of Breast Ultrasound Images: Semi Automatic Two Pointers Histogram Splitting Technique

Illinois Institute of Technology（伊利诺伊理工学院）；Rutgers University（罗格斯大学）

乳腺超声图像中存在噪声、斑点噪声和伪影，因此自动分割乳腺超声图像中的病变区域是一个具有挑战性的问题。BUS图像的边缘图也没有帮助，因为在大多数情况下，边缘图没有提供任何信息。几乎所有的分割技术都是以图像的边缘图作为第一步，尽管也有一些算法试图避免边缘图。改进乳腺超声图像的边缘图从理论上提高了自动分割的机会，更精确。在本文中，我们提出了一个半自动的技术直方图分裂使用两个指针。在这里，用户只需选择两个最初猜测的点，表示感兴趣区域（ROI）上的圆。该方法将自动研究内部直方图，并使用两个指针将其拆分。输出的BUS图像具有改进的边缘图，并且最终在其上的分割与使用相同算法和相同初始化的常规分割相比更好。此外，我们进一步处理边缘图，以减少边缘像素与面积的比例，提高均匀性和未来容易分割的机会。

2022-10-20cs.CVeess.IV

乳腺超声图像自动分割研究进展

Automatic Breast Ultrasound Image Segmentation: A Survey

University of Idaho（爱达荷大学）；Utah State University（犹他州立大学）；Harbin Institute of Technology（哈尔滨工业大学）

乳腺癌是全世界妇女癌症死亡的主要原因之一。在临床常规中，自动乳腺超声（BUS）图像分割是非常具有挑战性的，对于癌症诊断和治疗计划至关重要。在过去的二十年中，许多BUS分割方法已经被研究，并且已经被证明在私有数据集上是有效的。目前，公交车图像分割的进展似乎遇到了瓶颈。性能的改进越来越具有挑战性，并且在过去几年中只有很少的新方法被公布。现在是通过全面审查以前的方法来审视该领域并研究未来方向的时候了。在本文中，我们研究的基本思想，理论，优点和缺点的方法，他们分组，并广泛审查每一类深入讨论的原则，应用问题，和优点/缺点。

2018-01-09cs.CVcs.LG

BUSIS：乳腺超声图像分割的基准

BUSIS: A Benchmark for Breast Ultrasound Image Segmentation

Harbin Institute of Technology（哈尔滨工业大学）；University of Idaho（爱达荷大学）；Utah State University（犹他州立大学）；Affiliated Hospital of Medical College Qingdao University（青岛大学医学院附属医院）；Second Hospital of Hebei Medical University（河北医科大学第二医院）

乳腺超声（BUS）图像分割是BUS计算机辅助诊断（CAD）系统的关键和挑战。在过去的二十年中，已经研究了许多BUS分割方法，但是大多数方法的性能都是使用相对较小的具有不同定量指标的私有数据集进行评估的，这导致性能比较的差异。因此，迫切需要建立一个基准，使用公共数据集客观地比较现有的方法，以确定当今最好的乳腺肿瘤分割算法的性能，并研究在临床实践和理论研究中有价值的分割策略。在这项工作中，一个基准的B型乳腺超声图像分割。在基准测试中，1）我们收集了562幅乳腺超声图像，准备了一个软件工具，并让四名放射科医生通过标准化程序获得准确的注释; 2）我们广泛比较了16种最先进的分割方法的性能，并讨论了它们的优缺点; 3）提出了一组有价值的定量指标来评估半自动和全自动分割方法; 4）详细讨论了成功的分割策略和可能的改进。

2021-10-19cs.CV

一种基于ImageJ的胸内外斜位（MLO）乳腺X线片胸肌识别算法

A novel and automatic pectoral muscle identification algorithm for mediolateral oblique (MLO) view mammograms using ImageJ

Wolfson Institute of Preventive Medicine（沃尔夫森预防医学研究所）；Queen Mary University of London（伦敦玛丽女王大学）

胸肌识别通常需要乳腺癌风险分析，如估计乳房密度。传统的方法绝大多数是基于人工视觉评估或直线拟合的胸肌边界，这是低效和不准确的，因为胸肌在乳房X线照片可以有弯曲的边界。本文提出了一种新的自动识别算法的胸肌MLO视图乳腺X线照片。它适用于扫描胶片和全视野数字乳腺X线摄影。使用公共领域软件ImageJ演示了该算法。该算法的验证已使用现实世界的数据，它显示出可喜的结果。

2016-03-03cs.CV

通过乳腺MRI中的3D多尺度形态筛选进行自动病变检测、分割和表征

Automatic lesion detection, segmentation and characterization via 3D multiscale morphological sifting in breast MRI

School of Information Technology and Electrical Engineering, University of Queensland（昆士兰大学信息技术与电气工程学院）；Science and Engineering Faculty, Queensland University of Technology（昆士兰科技大学科学与工程学院）

先前关于4D乳腺磁共振成像（MRI）中的计算机辅助检测/诊断（CAD）的研究将病变检测、分割和表征视为单独的任务，并且通常需要用户手动选择2D MRI切片或感兴趣区域作为输入。在这项工作中，我们提出了一个乳腺MRI CAD系统，可以处理4D多模态乳腺MRI数据，并集成病变检测，分割和表征，无需用户干预。该CAD系统包括三个主要阶段：区域候选生成，特征提取和区域候选分类。首先使用新的3D多尺度形态筛选（MMS）提取乳腺病变作为区域候选。3D MMS使用线性结构元素提取病变样模式，可以准确有效地从乳腺图像中分割病变。然后，从所有可用的4D多模态乳腺MRI序列（包括T1、T2加权和DCE序列）中提取分析特征，以表示候选区域的信号强度、纹理、形态和增强动力学特征。区域候选最后通过随机欠采样提升（RUSboost）分类为病变或正常组织，并且通过随机森林分类为恶性或良性病变。在包含95个恶性病变和46个良性病变的总共117个病例的乳腺MRI数据集上进行评估，所提出的系统在每名患者（FPP）3.19个假阳性的情况下实现了0.90的真阳性率（TPR）用于病变检测，并且在FPP为2.95的情况下实现了0.91的TPR用于识别恶性病变而无需任何用户干预。病变分割的平均骰子相似性指数（DSI）为0.72。与以前提出的系统评估相同的乳腺MRI数据集相比，建议的CAD系统实现了良好的性能，在乳腺病变检测和表…

2020-07-07cs.CVeess.IV

BACH：乳腺癌组织学图像的巨大挑战

BACH: Grand Challenge on Breast Cancer Histology Images

INESC TEC - Institute for Systems and Computer Engineering, Technology and Science（系统与计算机工程、技术与科学研究所）；Faculty of Engineering of University of Porto（波尔图大学工程学院）；Seek AI Limited（Seek AI有限公司）；Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）；The Mount Sinai Hospital（西奈山医院）

乳腺癌是女性最常见的侵袭性癌症，影响全球10%以上的女性。活检的显微镜分析仍然是诊断乳腺癌类型的最重要方法之一。这需要病理学家进行专门的分析，这项任务i）非常耗时和昂贵，ii）通常会导致非一致性结果。使用苏木精-伊红染色的组织病理学图像的自动分类算法的相关性和潜力已经被证明，但报告的结果仍然是次优的临床使用。为了推进自动分类的最新技术，乳腺癌组织学图像大挑战（BACH）与第15届图像分析和识别国际会议（ICIAR 2018）联合举办。一个大型的注释数据集，包括显微镜和全载玻片图像，专门汇编和公开提供的BACH挑战。在得到科学界的积极响应后，在677份报名材料中，共有64份报名材料有效地参加了竞赛。从提交的算法，它是可能的，以推动国家的最先进的准确性（87%）在乳腺癌的自动分类与组织病理学图像。卷积神经网络是BACH挑战中最成功的方法。通过对集体成果的详细分析，确定了实地仍然存在的挑战，并就今后的发展提出了建议。BACH数据集仍然可以在计算机上使用，以促进数字病理学自动分类领域的进一步改进。

2019-06-17cs.CV

使用深度学习胶囊网络基于组织学图像的乳腺癌分类

Breast Cancer Classification Based on Histopathological Images Using a Deep Learning Capsule Network

Mansoura University（曼苏拉大学）；Higher Institute of Engineering and Technology（高等工程技术学院）

乳腺癌是女性可能发生的最严重的癌症类型之一。通过分析乳腺癌组织学图像（HIs）自动诊断乳腺癌对患者及其预后具有重要意义。HI的分类为临床医生提供了对疾病的准确理解，并使他们能够更有效地治疗患者。深度学习（DL）方法已成功应用于各种领域，特别是医学成像，因为它们能够自动提取特征。本研究旨在使用HI对不同类型的乳腺癌进行分类。在这项研究中，我们提出了一个增强的胶囊网络，它使用Res2Net块和四个额外的卷积层提取多尺度特征。此外，由于使用小卷积核和Res2Net块，所提出的方法具有更少的参数。因此，新方法的性能优于旧方法，因为它会自动学习最佳的可能特征。测试结果表明，该模型优于以往的DL方法。

2022-08-01cs.CVeess.IV

PFA-ScanNet：用于乳腺癌转移分析的具有协同学习的金字塔特征聚合

PFA-ScanNet: Pyramidal Feature Aggregation with Synergistic Learning for Breast Cancer Metastasis Analysis

The Chinese University of Hong Kong（香港中文大学）；Imsight Medical Technology, Co., Ltd.（Imsight医疗科技有限公司）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）

从全切片图像（WSIs）中自动检测癌症转移是跟踪患者分期和预后的关键步骤。由于处理大规模千兆像素WSI的困难，最近的基于卷积神经网络的方法正在努力解决准确性和计算效率之间的权衡。为了应对这一挑战，我们提出了一种新的金字塔特征聚合扫描网（PFA-ScanNet）的强大和快速的乳腺癌转移分析。我们的方法主要受益于聚合提取的局部到全局特征与不同的感受野，以及提出的协同学习训练的主要检测器和额外的解码器与语义指导。此外，设计了一种高效的推理机制，具有密集的池化层，这允许密集和快速扫描千兆像素的WSI分析。因此，提出的PFA-ScanNet在Camelyon 16数据集上实现了90.2%的最先进的FROC，以及Camelyon 17排行榜上0.905的竞争性kappa得分。此外，我们的方法显示了领先的速度优势，约7.2分钟，每个WSI与一个GPU，使乳腺癌转移的自动分析更适用于临床使用。

2019-07-13cs.CV

用于组织病理学图像分析的染色不变自监督学习

Stain-invariant self supervised learning for histopathology image analysis

Yale University（耶鲁大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）；UCLA（加州大学洛杉矶分校）

提出一种针对乳腺癌H&E染色图像的染色不变自监督学习算法，通过在潜在空间中利用染色归一化技术施加约束，提升了对染色变化的鲁棒性和分类性能，并在多个公开乳腺癌数据集上达到最先进水平。

2023-09-07cs.CV

膝关节磁共振成像自动分割的扫描仪漂移归一化验证的简单方法-来自骨关节炎倡议的数据

Simple Methods for Scanner Drift Normalization Validated for Automatic Segmentation of Knee Magnetic Resonance Imaging - with data from the Osteoarthritis Initiative

Biomediq A/S（Biomediq公司）；University of Copenhagen（哥本哈根大学）

扫描仪漂移是一种众所周知的磁共振成像（MRI）伪影，其特征在于信号逐渐退化和扫描强度随时间变化。此外，硬件和软件更新可能意味着信号的突然变化。对于纵向研究中使用的自动图像分析方法，组合效应尤其具有挑战性。这意味着增加了测量变化和估计偏差的风险（例如，结构的体积变化）。我们提出了两种完全不同的扫描仪漂移归一化方法，并证明了使用全自动KneeIQ框架分割膝关节MRI的性能。该确认包括来自高场和低场MRI的总共1975次扫描。结果表明，表示为Atlas仿射归一化的预处理方法显著消除了扫描仪漂移效应，并确保软骨体积变化定量与手动专家评分一致。

2017-12-22cs.CV

揭示乳腺癌中q空间信号的隐藏电位

Revealing Hidden Potentials of the q-Space Signal in Breast Cancer

German Cancer Research Center (DKFZ)（德国癌症研究中心）；University Hospital Erlangen（埃尔朗根大学医院）；ATOS Clinic（ATOS 诊所）；Radiology Center Mannheim (RZM)（曼海姆放射学中心）

用于早期检测乳腺病变的乳房X线摄影筛查目前遭受大量的假阳性发现，这导致不必要的侵入性活检。磁共振弥散加权成像（DWI）可以帮助减少活检前的假阳性结果。当前的方法通过从生成的生物物理模型中获取的定量参数来估计组织特性，该生物物理模型在关于噪声和空间均匀性的某些假设下拟合到q空间编码信号。由于模型的简单性，这个过程容易出现拟合不稳定和部分信息丢失。我们通过将所有数据处理组件集成到卷积神经网络（CNN）架构中来揭示信号的未开发潜力，该架构旨在将临床目标信息传播到原始输入图像。该方法能够同时优化图像归一化、信号利用、全局表示学习和分类，并针对特定目标进行优化。使用222例患者的多中心数据集，我们证明，我们的方法显着提高了临床决策方面的最新技术水平。

2017-05-22cs.CV

使用迁移学习和全局池进行乳腺癌诊断

Breast Cancer Diagnosis with Transfer Learning and Global Pooling

University of Saskatchewan（萨斯喀彻温大学）；University of Tulane（杜兰大学）

乳腺癌是全世界妇女癌症相关死亡的最常见原因之一。乳腺癌的早期准确诊断可显著提高患者的生存率。在这项研究中，我们的目标是开发一个全自动的，基于深度学习的，使用深度卷积神经网络（DCNN）模型提取的描述符特征和池化操作对苏木精和伊红染色（H&E）组织学乳腺癌图像进行分类的方法，作为国际图像分析和识别会议（ICIAR）2018年乳腺癌组织学挑战赛（BACH）的一部分图像.采用不同的数据增强方法来优化DCNN的性能。我们还研究了作为预处理步骤的不同染色归一化方法的功效。使用预训练的Xception模型的拟议网络架构产生92.50%的平均分类准确率。

2019-09-26cs.CVcs.LGeess.IV

乳腺X线和超声联合神经元分析的乳腺病变自动分类

Automatic Breast Lesion Classification by Joint Neural Analysis of Mammography and Ultrasound

School of Electrical Engineering, Tel-Aviv University（特拉维夫大学电气工程学院）；The Manuel and Raquel Klachky Chair of Image Processing, School of Electrical Engineering, Tel-Aviv University（特拉维夫大学电气工程学院 Manuel and Raquel Klachky 图像处理教授职位）；Diagnostic Imaging, Sheba Medical Center, affiliated to the Sackler School of Medicine, Tel-Aviv University（舍巴医疗中心诊断影像科，隶属于特拉维夫大学萨克勒医学院）

乳腺X线摄影和超声被放射科医生广泛用作补充模式，以实现更好的乳腺癌诊断性能。然而，现有的用于乳房的计算机辅助诊断（CAD）系统通常基于单一模态。在这项工作中，我们提出了一种基于深度学习的方法，用于从各自的乳房X光检查和超声图像中对乳腺癌病变进行分类。我们提出了各种方法，并显示出一致的性能改善时，利用这两种方式。所提出的方法基于GoogleNet架构，在两个训练步骤中针对我们的数据进行了微调。首先，为每种模态单独训练一个不同的神经网络，生成高级特征。然后，源自每个模态的聚合特征被用于训练多模态网络以提供最终分类。在定量实验中，所提出的方法实现了0.94的AUC，优于在单一模态上训练的最先进的模型。此外，它的表现与普通放射科医生相似，超过了参与读者研究的四分之二的放射科医生。有希望的结果表明，该方法可能成为一个有价值的决策支持工具，乳腺放射科医生。

2020-09-23cs.CVeess.IV

基于解剖约束的乳腺超声图像模糊语义分割

Fuzzy Semantic Segmentation of Breast Ultrasound Image with Breast Anatomy Constraints

Utah State University（犹他州立大学）；Harbin Institute of Technology（哈尔滨工业大学）；the First Affiliated Hospital of Harbin Medical University（哈尔滨医科大学附属第一医院）

乳腺癌是影响妇女健康的最严重疾病之一。由于低成本、便携式、无辐射和高效率，乳腺超声（BUS）成像是诊断早期乳腺癌最流行的方法。然而，超声图像分辨率低，质量差。因此，开发精确的检测系统是一项具有挑战性的任务。在本文中，我们提出了一种全自动分割算法，由两部分组成：模糊全卷积网络和精确微调后处理的基础上，乳房解剖约束。在第一部分中，图像进行对比度增强预处理，并采用小波特征进行图像增强。模糊隶属函数将增强的BUS图像转换到模糊域。来自卷积层的特征也使用模糊逻辑进行处理。条件随机场（CRF）对分割结果进行后处理。利用乳房解剖层之间的位置关系来提高性能。将该方法应用于325个BUS图像的数据集，与现有方法相比，该方法在肿瘤类别上的真阳性率为90.33%，假阳性率为9.00%，交集大于并集（IoU）为81.29%，并且在五个类别上的总体交集大于并集（mIoU）为80.47%，达到了最先进的性能：脂肪层、乳腺层、肌肉层、背景和肿瘤。

2019-10-23cs.CV

使用深度学习在超快DCE-MRI中自动检测乳腺病变

Automatic Breast Lesion Detection in Ultrafast DCE-MRI Using Deep Learning

Iran University of Science and Technology（伊朗科技大学）；Radboud University Medical Center（拉德堡德大学医学中心）；Netherlands Cancer Institute（荷兰癌症研究所）

目的：我们提出了一种基于深度学习的计算机辅助检测（CADe）方法，用于在超快DCE-MRI序列中检测乳腺病变。该方法同时利用了三维空间信息和动态采集早期获得的时间信息。研究方法：所提出的CADe方法基于修改的3D RetinaNet模型，对超快T1加权序列进行操作，这些序列经过运动补偿、时间归一化的预处理，并在进入模型之前进行裁剪。该模型经过优化，能够在筛查环境中检测相对较小的乳腺病变，重点是检测难以与乳腺内混淆结构区分的病变。结果如下：该方法是基于一个数据集开发的，该数据集由489个超快MRI研究组成，这些研究来自462名患者，共包含572个病变恶性病变365例，良性病变207例，良性病变检出率、敏感性和检出率分别为0.90 10倍交叉检验，每个正常乳腺4个假阳性时，分别为0.876-0.934、0.95（0.934-0.980）和0.81（0.751-0.871）。结论：用于所提出的CADe应用程序的深度学习架构可以在超快DCE-MRI上有效检测良性和恶性病变。此外，在训练中利用不太明显的难以检测的病变改善了学习过程，并且随后改善了恶性乳腺病变的检测。

2021-08-15cs.CVcs.LGeess.IV

显著性引导的深度学习网络用于术后乳腺照射中的自动肿瘤床体积描绘

Saliency-Guided Deep Learning Network for Automatic Tumor Bed Volume Delineation in Post-operative Breast Irradiation

University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）

有效、可靠和可重复的靶区勾画是乳腺放射治疗有效规划的关键步骤。然而，术后乳腺靶勾画具有挑战性，因为CT图像中肿瘤床体积（TBV）和正常乳腺组织之间的对比度相对较低。在这项研究中，我们建议模仿标记指导程序手动目标划定。我们开发了一种基于显着性的深度学习分割（SDL-Seg）算法，用于术后乳腺照射中的准确TBV分割。SDL-Seg算法将标记位置线索形式的显着性信息合并到U-Net模型中。该设计迫使模型对位置相关的特征进行编码，这强调了具有高显着性水平的区域，并抑制了低显着性区域。通过识别CT图像上的标记来生成显著性图。标记的位置，然后转换为概率图使用距离变换耦合高斯滤波器。随后，CT图像和相应的显著性图形成SDL-Seg网络的多通道输入。我们的内部数据集由29名术后乳腺癌患者的145张俯卧位CT图像组成，这些患者在GammaPod上接受了5次部分乳腺照射（PBI）方案。所提出的方法的性能进行了比较，对基本的U-网。我们的模型在每个CT体积的计算时间低于11秒的测试集上分别实现了DSC、HD 95和ASD的平均值（标准差）为76.4%、6.76 mm和1.9 mm。SDL-Seg在所有评估指标上都表现出了相对于基本U-Net的卓越性能，同时保持了较低的计算成本。研究结果表明，SDL-Seg是一种很有前途的方法，用于提高PBI（如基于GammaPod的PBI）的在线治疗计划程序的效率和准确…

2021-07-26cs.CVeess.IV

基于区域生长和加权局部互信息的乳腺肿瘤变化检测新框架--序列MR图像乳腺肿瘤化疗反应分析

A New Automatic Change Detection Frame-work Based on Region Growing and Weighted Local Mutual Information: Analysis of Breast Tumor Response to Chemotherapy in Serial MR Images

Alzahra University（阿尔扎赫拉大学）；The University of Winnipeg（温尼伯大学）；Shahid Beheshti University of Medical Science（沙希德·贝赫什提医科大学）

在乳腺医学图像处理领域，纵向MR图像之间细微变化的自动分析仍然是一个具有挑战性的问题，因此是一项重要的任务。在本文中，我们提出了一个有效的自动变化检测框架，由两个阶段组成，因为以前使用的方法具有低独特的功率的功能。首先，在预处理阶段的强度归一化方法，建议基于层次直方图匹配（HHM），这是更强大的噪声比以前的方法。为了消除不必要的变化和提取区域包含显着变化的建议提取区域变化（EROC）的方法应用的基础上强度分布和爬山算法。其次，在检测阶段，提出了一种基于区域生长的方法来区分显着变化和不真实的变化。由于采用了加权局部互信息（WLMI）方法提取高层特征，并利用了变化的局部一致性原理，该方法具有较好的性能。仿真和真实纵向乳腺MR图像的实验结果证实了所提出的框架的有效性。此外，该框架在某些情况下优于人类专家，其可以检测专家错过的许多病变演变。

2021-10-19cs.CVcs.LGeess.IV

基于多种18F-FDG PET图像分割的乳腺癌生物标志物自动量化

Automatic quantification of breast cancer biomarkers from multiple 18F-FDG PET image segmentation

Université de Bourgogne（勃艮第大学）；Centre Georges-François Leclerc（乔治·弗朗索瓦·勒克莱尔中心）；University Hospital of Dijon（第戎大学医院）

本文提出基于nnUNet深度学习与主动学习的18F-FDG PET乳腺肿瘤自动分割系统，通过提取SUVmax、MTV和TLG等生物标志物，实现对乳腺癌新辅助化疗后进展的自动量化评估。

2025-02-06cs.AIcs.CV

Vision Transformer 在乳腺超声图像分类中的应用

Vision Transformer for Classification of Breast Ultrasound Images

Concordia University（康考迪亚大学）

针对乳腺超声图像分类中CNNs局部感受野限制全局信息学习的问题，首次将ViT结合不同增强策略应用于该任务，其分类准确率和AUC指标与最先进CNNs相当甚至更优。

2025-02-12cs.CV

用于乳腺癌组织学图像分类的分层ResNeXt模型

Hierarchical ResNeXt Models for Breast Cancer Histology Image Classification

Université Moulay Ismail（穆莱·伊斯梅尔大学）

显微组织学图像分析是乳腺癌早期检测的基石。然而，这些图像非常大，并且手动分析容易出错并且非常耗时。因此，自动化这一过程的需求很高。我们提出了一个分层系统的卷积神经网络（CNN），自动分类补丁这些图像分为四种病理：正常，良性，原位癌和浸润性癌。我们评估了我们的系统上的BACH挑战数据集的图像明智的分类和一个小的数据集，我们用来扩展它。使用训练/测试分裂75%/25%，我们实现了准确率0.99的测试分裂的BACH数据集和0.96的扩展。在BACH挑战赛的测试中，我们的准确率达到了0.81，在51支球队中排名第8。

2018-10-21cs.CV

基于MultiResUnet神经网络的红外乳腺图像分割

Segmentation of Infrared Breast Images Using MultiResUnet Neural Network

The George Washington University Medical Center（乔治华盛顿大学医学中心）

乳腺癌是美国女性死亡的第二大原因。早期发现乳腺癌是提高乳腺癌患者生存率的关键。我们正在研究红外线（IR）热成像作为一种非侵入性的辅助乳房X线摄影乳腺癌筛查。红外成像是无辐射、无痛和非接触的。从采集的全尺寸乳腺IR图像中自动分割乳腺区域将有助于限制肿瘤搜索的区域，并减少手动分割的时间和精力成本。在以往的研究中，类似自动编码器的卷积和去卷积神经网络（C-DCNN）已被应用于自动分割红外图像中的乳腺区域。在这项研究中，我们应用了最先进的深度学习分割模型MultiResUnet，该模型由捕获特征的编码器部分和精确定位的解码器部分组成。它被用来分割乳房区域，通过使用一组乳房红外图像，在我们的试点研究中收集的成像乳腺癌患者和正常志愿者与热红外相机（N2成像仪）。我们使用的数据库有450张图像，来自14名患者和16名志愿者。我们使用阈值化的方法去除原始图像中的干扰，并将它们从原始的16位重新映射到8位，然后手动裁剪和分割8位图像。使用留一法交叉验证（LOOCV）的实验和使用Tanimoto相似性与地面真实图像的比较表明，MultiResUnet的平均准确率为91.47%，比自动编码器高出约2%。MultiResUnet提供了一种比我们以前的模型更好的方法来分割乳腺IR图像。

2020-10-31cs.CVeess.IV

基于无锚点结构的数字乳腺X线摄影乳腺肿块检测

Breast mass detection in digital mammography based on anchor-free architecture

Hangzhou Hikvision Digital Technology Co., Ltd.（杭州海康威视数字技术股份有限公司）

背景和目的：准确检测乳腺钼靶图像中的乳腺肿块是早期乳腺癌诊断的关键，可以大大提高患者的生存率。然而，它仍然是一个很大的挑战，由于乳腺肿块的异质性和周围环境的复杂性。方法：为了解决这些问题，我们提出了一个一阶段的目标检测架构，称为乳腺肿块检测网络（BMassDNet），基于无锚和特征金字塔，使不同大小的乳腺肿块的检测很好地适应。我们引入了截断归一化方法，并将其与自适应直方图均衡化相结合，以增强乳腺肿块与周围环境之间的对比度。同时，针对小数据量导致的过拟合问题，提出了一种自然变形数据扩充方法，并对基于数据复杂度的训练数据动态更新方法进行了改进，有效利用了有限的数据。结果：在INbreast数据集上，每幅图像的平均误报率为0.495，召回率为0.930;在DDSM数据集上，每幅图像的平均误报率为0.599，召回率为0.943。结论：在INbreast和DDSM数据集上的实验结果表明，该算法的检测性能优于目前排名靠前的方法.

2020-09-02cs.CVeess.IV

BPE和计算机提取的实质增强用于乳腺癌风险、反应监测和预后

BPE and computer-extracted parenchymal enhancement for breast cancer risk, response monitoring, and prognosis

Image Sciences Institute, University Medical Center Utrecht（乌得勒支大学医学中心影像科学研究所）

乳腺癌的功能行为-代表潜在的生物学-可以使用MRI进行分析。最广泛使用的乳腺MR成像协议是动态对比增强T1加权成像。由于造影剂从渗漏的血管渗漏到间质空间中，因此在动态对比增强的MR成像上癌症增强。造影剂随后泄漏回血管空间，产生冲洗效应。正常乳腺实质组织也可增强。这种增强通常随着时间的推移而增加。通常，放射科医生使用乳腺成像报告和数据系统（BI-RADS）评估这种背景实质增强（BPE）。根据BI-RADS，BPE是指增强的体积和增强的强度，并分为四个增量类别：最小，轻度，中度和显著。研究人员已经开发出半自动和自动方法来从MR图像中提取BPE的属性。为了清楚起见，在本大纲中，BI-RADS定义将被称为BPE，而计算机提取的属性将不被称为BPE。BPE和计算机提取的实质增强特性都与筛查和诊断、激素状态和年龄、乳腺癌发展风险、反应监测和预后有关。

2018-09-14cs.CVphysics.med-ph

数字乳腺摄影中的不透X线伪影：自动检测及下游效应分析

Radio-opaque artefacts in digital mammography: automatic detection and analysis of downstream effects

MIT（麻省理工学院）；Imperial College London（帝国理工学院）

本研究开发多标签伪影检测器识别五种乳腺摄影伪影，实验表明伪影显著影响密度评估与癌症筛查模型性能，强调自动检测对可靠模型的重要性。

2024-10-04cs.CVeess.IV

DenseNet用于乳腺摄影图像中的乳腺肿瘤分类

DenseNet for Breast Tumor Classification in Mammographic Images

Universidad Técnica Particular de Loja（洛哈技术大学）；Universitat Politécnica de Valencia（瓦伦西亚理工大学）；University of Waterloo（滑铁卢大学）

乳腺癌是女性最常见的侵袭性癌症，也是第二大死亡原因。乳腺癌筛查是早期发现不确定乳腺病变的有效方法。女性筛查的常见方法是断层合成和乳房X射线摄影图像。然而，传统的人工诊断需要病理学家进行大量的工作，他们容易出现诊断错误。因此，本研究的目的是建立一种深度卷积神经网络方法，用于乳腺X射线摄影图像中乳腺病变的自动检测、分割和分类。基于深度学习的Mask-CNN（RoIAlign）方法被开发用于特征选择和提取;并通过DenseNet架构进行分类。最后通过交叉验证矩阵和AUC曲线对模型的精密度和准确度进行了评价。综上所述，本研究的结果可能有助于通过医学图像分类来提高肿瘤自动定位的诊断和效率。

2021-01-24cs.CVcs.LGeess.IV

类别特定数据增强：弥合多类乳腺癌分类中的不平衡

Class-Specific Data Augmentation: Bridging the Imbalance in Multiclass Breast Cancer Classification

Middle East Technical University（中东技术大学）；Cukurova University（库库罗瓦大学）

本文提出类别特定数据增强结合ViTNet架构，解决多类乳腺癌分类中的类别不平衡问题，提高欠采样类别的检测率，实现良性或四种恶性亚型的精准分类。

2023-10-15cs.CVeess.IV

基于计算机辅助的乳腺癌深度卷积神经网络检测方法研究

Research on the Detection Method of Breast Cancer Deep Convolutional Neural Network Based on Computer Aid

Xi'an Jiaotong-Liverpool University（西安交通大学-利物浦大学）

传统的乳腺癌图像分类方法需要人工从医学图像中提取特征，不仅需要专业的医学知识，而且存在费时费力、难以提取高质量特征等问题。因此，本文提出了一种基于计算机特征融合卷积神经网络的乳腺癌图像分类检测方法。本文先对两个不同结构的卷积神经网络进行预训练，然后利用卷积神经网络自动提取特征的特征，再对从两个结构中提取的特征进行融合，最后利用分类器对融合后的特征进行分类。实验结果表明，该方法在乳腺癌图像数据集分类中的准确率为89%，与传统方法相比，乳腺癌图像的分类准确率有显著提高。

2021-04-23cs.CVeess.IV

基于解剖特征的乳腺X线照片胸肌自动剔除

Automatic elimination of the pectoral muscle in mammograms based on anatomical features

Universidad del Caribe（加勒比大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）

数字乳腺X线检查是最流行的技术，用于早期检测人体乳腺组织的异常。当通过计算方法分析乳房X线照片时，胸肌的存在可能会影响乳房病变检测的结果。这个问题在内外侧斜位视图（MLO）中尤其明显，其中胸肌占据了乳房X光检查的大部分。因此，识别和消除胸肌是提高乳腺组织自动识别的必要步骤。在本文中，我们提出了一种基于解剖特征的方法来解决这个问题。我们的方法包括两个步骤：（1）去除标签、标记、划痕和楔形等噪声元素的过程，以及（2）基于Beta分布的强度变换的应用。新的方法进行了测试，322数字乳房X线摄影从乳房X线摄影图像分析协会（迷你MIAS）数据库和一组84乳房X线摄影，面积归一化误差是以前计算的。结果表明，该方法具有很好的性能。

2020-08-17cs.CVeess.IV

Boosted EfficientNet：使用卷积神经网络检测乳腺癌淋巴结转移

Boosted EfficientNet: Detection of Lymph Node Metastases in Breast Cancer Using Convolutional Neural Network

Shenzhen University（深圳大学）；The Ohio State University（俄亥俄州立大学）；University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）

近年来，全切片图像的发展为数字图像在病理学中的应用奠定了基础。在计算机图像分析的辅助下，自动识别组织或细胞类型，大大提高了组织病理学解释和诊断的准确性。本文将卷积神经网络（CNN）应用于乳腺癌淋巴结转移的预测和分类。与传统的图像裁剪方法只适用于大分辨率图像不同，我们提出了一种新的数据增强方法，称为随机中心裁剪（RCC），以促进小分辨率图像。RCC丰富了数据集，同时保留了图像分辨率和图像中心区域。此外，我们降低了网络的下采样规模，以进一步更好地促进小分辨率图像。此外，注意力和特征融合（FF）机制，以提高图像的语义信息。实验表明，我们的方法提高基本CNN架构的性能。在RPCam数据集上，性能最好的方法分别达到了97.96%的准确率和99.68%的AUC。

2020-10-10cs.CV

虚拟染色在乳腺组织学中的应用

Virtual staining for mitosis detection in Breast Histopathology

Radboudumc（拉德堡德大学医学中心）；Radboud University（拉德堡德大学）；Fraunhofer MeVis（弗劳恩霍夫MeVis研究所）

我们提出了一种基于生成对抗网络的虚拟染色方法，将乳腺癌组织的组织病理学图像从H&E染色映射到PHH3，反之亦然。我们使用由此产生的合成图像来构建卷积神经网络（CNN），用于自动检测有丝分裂像，这是一种用于常规乳腺癌诊断和分级的强预后生物标志物。我们提出了几种方案，其中用合成生成的组织病理学图像训练的CNN与用真实图像训练的相同基线模型表现相当，甚至更好。我们讨论了这个应用程序的潜力，以规模的训练样本的数量，而不需要手动注释。

2020-03-17cs.CVeess.IV

ScanNet：一种用于从全切片图像检测转移性乳腺癌的快速和密集扫描框架

ScanNet: A Fast and Dense Scanning Framework for Metastatic Breast Cancer Detection from Whole-Slide Images

The Chinese University of Hong Kong（香港中文大学）；Imsight Medical Technology Inc（宜远智能医疗科技有限公司）；Xiamen University（厦门大学）；The Hong Kong Polytechnic University（香港理工大学）

淋巴结转移是乳腺癌最重要的诊断指标之一，传统上由病理学家在显微镜下观察。近年来，计算机组织学诊断已成为医学图像计算中发展最快的领域之一，它减轻了病理学家的工作量，降低了误诊率。然而，由于具有巨大分辨率的大规模数据和硬模拟的存在，从整个载玻片图像中自动检测淋巴结转移仍然是一个具有挑战性的问题。在本文中，我们提出了一种新的框架，利用全卷积网络进行有效的推理，以满足临床实践的速度要求，同时在不同的偏移下重建密集的预测，以确保对微观和宏观转移的准确检测。采用异步样本预取和硬否定挖掘策略，可以有效地训练网络。在2016年Camelyon Grand Challenge的基准数据集上进行的大量实验证实了我们方法的有效性。与最先进的方法相比，我们的方法在肿瘤定位任务上以更快的速度取得了优异的性能，并且在WSI分类任务上超过了人类的性能。

2017-07-30cs.CV

乳腺MRI中晚期对比度增强的合成：一种利用时间对比度增强动力学的综合流水线

Synthesizing Late-Stage Contrast Enhancement in Breast MRI: A Comprehensive Pipeline Leveraging Temporal Contrast Enhancement Dynamics

Morgridge Institute for Research（莫格里奇研究所）；University of Wisconsin—Madison（威斯康星大学麦迪逊分校）

本研究提出一种从早期数据合成晚期DCE-MRI图像的流水线，引入TI-loss损失函数和TI-norm归一化策略，在保持图像质量的同时准确复制时间-强度曲线行为，有望缩短扫描时间并提升临床效率。

2025-01-24cs.AIcs.CVcs.LG

从全载玻片图像预测乳腺肿瘤增殖：TUPAC16挑战

Predicting breast tumor proliferation from whole-slide images: the TUPAC16 challenge

Eindhoven University of Technology（埃因霍温理工大学）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）；Harvard Medical School（哈佛医学院）；University Medical Center Utrecht（乌得勒支大学医学中心）；Radboud University Medical Center（拉德堡德大学医学中心）；Stanford University School of Medicine（斯坦福大学医学院）；University of Heidelberg（海德堡大学）；BIOQUANT；IPMB；DKFZ（德国癌症研究中心）；The Harker School（哈克学校）；ContextVision AB（ContextVision公司）；IBM Research Zürich（IBM苏黎世研究院）；IBM Research Brazil（IBM巴西研究院）；United Institute of Informatics（联合信息学研究所）；University of South Florida（南佛罗里达大学）；University of Warwick（华威大学）；Sectra（Sectra公司）；Lunit Inc.（Lunit公司）；Tsinghua University（清华大学）；Microsoft Research（微软研究院）；Beihang University（北京航空航天大学）

肿瘤增殖是指示乳腺癌患者预后的重要生物标志物。在临床环境中评估肿瘤增殖是高度主观和劳动密集型的任务。先前通过图像分析自动化肿瘤增殖评估的努力仅集中于预定义肿瘤区域中的有丝分裂检测。然而，在现实世界的情况下，自动有丝分裂检测应该在全载玻片图像（WSI）中进行，并且自动方法应该能够在给定WSI作为输入的情况下产生肿瘤增殖评分。为了解决这个问题，我们组织了2016年肿瘤增殖评估挑战赛（TUPAC16），预测来自WSI的肿瘤增殖评分。挑战数据集由500个训练和321个测试乳腺癌组织病理学WSI组成。为了确保公平和独立的评估，仅向挑战参与者提供训练数据集的基础事实。挑战的第一个任务是预测有丝分裂分数，即，重现病理学家评估肿瘤增殖的手动方法。第二个任务是根据WSI预测基于基因表达的PAM 50增殖评分。第一项任务的最佳自动方法实现了二次加权Cohen kappa评分$κ$ = 0.567，预测评分和真实值之间的95% CI [0.464，0.671]。对于第二项任务，top方法的预测值与地面真实值的Spearman相关系数为r = 0.617，95%CI [0.581 0.651]。这是第一项研究从WSI评估肿瘤增殖的研究。考虑到任务的难度和地面事实的弱标记性质，所取得的成果是有希望的。然而，需要进一步的研究来提高图像分析方法在这项任务中的实际效用。

2019-03-29cs.CV

数字化乳腺X线照片中更精确的致密组织分割的滤波方法

Filtering for More Accurate Dense Tissue Segmentation in Digitized Mammograms

University of Zagreb（萨格勒布大学）

将乳腺组织分割成致密组织和脂肪组织对于确定乳房X线照片中的乳腺密度是重要的。了解乳腺密度在诊断和计算机辅助检测应用中都很重要。有许多不同的方法来表达乳腺的密度，并且无论使用哪种分类规则，高质量的分割都应该提供执行准确分类的可能性。了解正确的乳腺密度并了解乳腺密度的变化可以暗示患者体内开始发生的过程。乳房X线照片通常遭受不同组织重叠的问题，这导致组织类型的不准确检测的可能性。纤维腺体组织呈现相当高的X射线衰减，并且在所得图像中可见为更亮，但是重叠的纤维组织和血管可以在自动分割算法中容易地用纤维腺体组织替换。小血管和微钙化也被显示为具有与致密组织类似强度的明亮对象，但确实具有一些属性，这使得可以从最终结果中抑制它们。在本文中，我们试图通过抑制不代表腺体或致密组织的分散结构来划分致密组织和脂肪组织，以便在两种主要组织类型中更准确地划分乳房X线照片。为了抑制血管和微钙化，我们使用了不同大小和方向的Gabor滤波器和增强对比度的滤波图像上的形态学操作的组合。

2013-10-01cs.CV

自动水平集方法在乳腺钙化点检测中的应用

Automatic Application Level Set Approach in Detection Calcifications in Mammographic Image

National School of Medicine of Sfax（斯法克斯医学院）；CES-Computer, Electronic And Smart engineering systems design Laboratory（计算机、电子与智能工程系统设计实验室）；National School of Engineers of Sfax（斯法克斯工程师学院）

乳腺癌被认为是一个主要的健康问题，是世界上妇女死亡的最大原因。因此，在这十年中，乳腺癌是第二种最常见的癌症，就出现频率而言，也是第五种最常见的癌症相关死亡原因。为了减少放射科医师的工作量，已经提出了各种CAD系统;计算机辅助诊断（CADi）和计算机辅助检测（CADe）。在本文中，我们感兴趣的CADe工具，以帮助放射科医生检测癌症。建议的CADe是基于一个三步的工作流程，即检测，分析和分类。研究了基于边缘和区域准则的水平集方法的感兴趣区域自动检测问题。这种方法从放射科医生那里得到了良好的视觉信息。在此基础上，采用基于纹理特征的图像特征提取和基于多层感知（MLP）和k-近邻（KNN）的图像矢量分类方法，对图像进行了ACR（American College of Radiology）分类。此外，我们使用数字数据库筛选乳腺X射线摄影（DDSM）的实验和这些结果的准确性在60%和70%之间变化是可以接受的，必须加以改进，以帮助放射科医生。

2011-09-01cs.CV

基于深度学习的数字乳腺图像胸肌分割

On segmentation of pectoralis muscle in digital mammograms by means of deep learning

University of Waterloo（滑铁卢大学）

计算机辅助诊断（CAD）早已成为乳腺疾病放射学管理的一个组成部分，促进了许多重要的临床应用，包括乳腺密度的定量评估和基于X射线乳腺摄影术的恶性肿瘤的早期检测。这些应用的共同点是需要自动区分乳房组织和相邻的解剖结构，后者主要由胸大肌（或胸肌）表示。特别是在内外斜位（MLO）视图中采集的乳房X线照片中，由于肌肉的形态和光度相似性，肌肉很容易与乳房解剖结构的某些元素混淆。因此，MLO乳房X线照片中胸肌的自动检测和分割问题仍然是一项具有挑战性的任务，仍然需要并不断寻找创新的方法。为了解决这个问题，本文介绍了一种基于数据驱动预测（深度学习）和基于图形的图像处理的组合使用的两步分割策略。特别地，所提出的方法采用卷积神经网络（CNN），其被设计为在不同的空间分辨率水平预测乳房-胸部边界的位置。随后，预测所使用的算法的第二阶段，其中所需的边界被恢复作为一个解决方案的最短路径问题上的一个专门设计的图形。所提出的算法已经在三个不同的数据集上进行了测试（即，MIAS、CBIS-DDSm和InBreast）。比较分析的结果表明，相当大的改进，国家的最先进的，同时提供了无模型和全自动处理的可能性。

2020-08-29cs.CVeess.IV

基于超声视频自监督对比学习的乳腺肿瘤分类

Breast tumor classification based on self-supervised contrastive learning from ultrasound videos

Nanjing University（南京大学）；Jinling High School（金陵中学）；Precision Care technology（Precision Care科技）

本研究提出基于自监督对比学习与三元组网络的乳腺超声视频分类方法，通过新困难三元组损失降低标注需求，AUC达0.952，显著优于现有模型。

2024-08-20cs.AIcs.CV

在复杂的相对辐射归一化镶嵌场景中使用泊松编辑自动消除接缝线

Automatically eliminating seam lines with Poisson editing in complex relative radiometric normalization mosaicking scenarios

多幅遥感影像间的相对辐射归一化（RRN）镶嵌是后续制图、影像识别、语义分割、变化检测等任务的关键。然而，在镶嵌边界上经常存在接缝线和留下的辐射对比度，特别是在复杂场景中，使得镶嵌图像的外观不美观，并且降低了后面的分类/识别算法的准确性。本文提出了一种新的自动方法，以消除接缝线在复杂的RRN拼接场景。该算法利用重叠区域的直方图匹配来降低辐射对比度，利用泊松编辑来去除接缝线，利用合并过程来确定归一化传递顺序。我们的方法可以处理拼接接缝线与任意形状和极端拓扑关系的图像（与一个小的交叉区域）。这些条件使得主要的羽化或混合方法，例如，线性加权混合和拉普拉斯金字塔混合，不可用。在实验中，我们的方法在视觉上优于自动方法没有泊松编辑和手动模糊和羽化方法使用GIMP软件。

2021-06-14cs.CVcs.LG

深度学习用于识别乳腺癌中的放射基因组学关联

Deep Learning for identifying radiogenomic associations in breast cancer

Duke University（杜克大学）

目的：确定深度学习模型是否可以基于动态对比增强磁共振成像（DCE-MRI）区分乳腺癌分子亚型。材料和方法：在这项机构审查委员会批准的单中心研究中，我们分析了270例患者的DCE-MR图像。感兴趣的病变由放射科医生确定。任务是基于代表肿瘤的MR图像块自动确定肿瘤是管腔A亚型还是另一亚型。使用三种不同的深度学习方法根据肿瘤的分子亚型对肿瘤进行分类：从头开始学习，其中仅使用肿瘤块进行训练;迁移学习，其中使用肿瘤块对在自然图像上预先训练的网络进行微调;以及现成的深度特征，其中使用支持向量机对在自然图像上训练的神经网络提取的特征进行分类。在我们的实验中使用的网络架构是GoogleNet，VGG和CIFAR。我们使用10倍交叉验证方法进行验证，并使用受试者工作特征（AUC）下的面积作为性能指标。结果如下：区分分子亚型的最佳AUC性能为0.65（95% CI：[0.57，0.71]），并通过现成的深层特征方法实现。从头开始训练的最高AUC性能为0.58（95% CI：[0.51，0.64]），迁移学习的最佳AUC性能为0.60（95% CI：[0.52，0.65]）。对于现成的方法，从全连接层提取的特征表现最好。结论：深度学习可能在发现乳腺癌放射基因组学关联方面发挥作用。

2017-11-29cs.CV

用于乳腺癌ki-67增殖指数评分的深度学习管道

A deep learning pipeline for breast cancer ki-67 proliferation index scoring

FEMTO-ST institute（弗朗什-孔泰电子、机械、热学与光学科学与技术研究所）；Univ. Bourgogne Franche-Comte（勃艮第-弗朗什-孔泰大学）；CNRS（法国国家科学研究中心）；ENSMM（国立高等机械与微技术学院）；Beihang University（北京航空航天大学）；Hôpital Nord Franche-Comté（北弗朗什-孔泰医院）；Batna2 University（巴特纳第二大学）

Ki-67增殖指数是一种重要的生物标志物，有助于病理学家诊断和选择适当的治疗方法。然而，Ki-67的自动评估是困难的，由于核重叠和复杂的变化，在其属性。本文提出了一种用于Ki-67精确自动计数的集成管道，其中突出了核分离技术的影响。首先，语义分割是通过结合挤压和激励Resnet和Unet算法从背景中提取细胞核。提取的细胞核，然后分为重叠和非重叠区域的基础上的八个几何和统计特征。随后提出了一种基于标记的分水岭算法，该算法仅适用于重叠区域以分离核。最后，使用Resnet 18从每个核块中提取深度特征，并通过随机森林分类器将其分类为阳性或阴性。在Hôpital Nord Franche-Comté医院病理科的数据集上验证了拟议管道的性能。

2022-03-14cs.CVeess.IV

H&E乳腺组织学中使用PHH3作为训练蒸馏非变性卷积网络的参考的全载玻片有丝分裂检测

Whole-Slide Mitosis Detection in H&E Breast Histology Using PHH3 as a Reference to Train Distilled Stain-Invariant Convolutional Networks

Radboud University Medical Center（拉德堡德大学医学中心）；Canisius-Wilhelmina Hospital（卡尼修斯-威廉明娜医院）；Jeroen Bosch Hospital（耶伦博斯医院）

组织切片中有丝分裂肿瘤细胞的手动计数构成了乳腺癌最强的预后标志物之一。然而，该过程是耗时且容易出错的。我们开发了一种基于卷积神经网络（CNN）自动检测乳腺癌组织切片中有丝分裂像的方法。将CNN应用于苏木精和伊红（H&E）染色的组织学组织切片受到以下因素的阻碍：（1）病理学家建立的噪声和昂贵的参考标准，（2）由于实验室之间的染色差异而缺乏泛化能力，以及（3）处理千兆像素全载玻片图像（WSIs）所需的高计算要求。在本文中，我们提出了一种训练和评估CNN的方法，以专门解决乳腺癌WSI中有丝分裂检测的背景下这些问题。首先，通过结合磷酸组蛋白-H3（PHH 3）保留染色的载玻片中有丝分裂活性的图像分析和配准，我们建立了一个参考标准，用于在整个H&E WSI中进行有丝分裂检测，需要最少的手动注释工作。其次，我们设计了一种数据增强策略，该策略通过直接修改苏木精和伊红颜色通道来创建多样化和逼真的H&E染色变化。在训练过程中使用它与网络集成相结合，产生了染色不变的有丝分裂检测器。第三，我们应用知识蒸馏来减少有丝分裂检测集成的计算需求，而性能损失可以忽略不计。该系统在单中心队列中进行了培训，并在肿瘤增殖评估挑战（TUPAC）的三项任务上在癌症基因组图谱的独立多中心队列中进行了评估。我们在挑战的大多数任务中获得了前3个最佳方法的性能。

2018-08-17cs.CV

基于GPU的数字病理学快速颜色归一化

Fast GPU-Enabled Color Normalization for Digital Pathology

Indian Institute of Technology Bombay（印度理工学院孟买分校）

由于染色过程和扫描仪响应的差异而导致的不想要的颜色变化的归一化已经被证明有助于计算病理学中的机器学习。在几种流行的颜色归一化技术中，结构保持颜色归一化（SPCN）是动机良好的，令人信服的测试，并与其代码库一起发布。然而，SPCN在颜色基础估计中偶尔会产生错误，从而导致伪像，例如在染色剂之间交换颜色基础向量或向没有组织的背景提供彩色色调。我们做了几个算法改进，以消除这些文物。此外，由于运行时间长、使用专有软件平台和库以及无法自动处理WSI，原始SPCN代码不容易用于千兆像素全载玻片图像（WSI）。我们完全重写了软件，使其可以自动处理流行的WSI格式的任何大小的图像。我们的软件利用GPU加速和开源库，这些库随着深度学习的出现而变得无处不在。我们还做了其他几个小的改进，并在千兆像素图像上实现了多倍的整体加速。我们的算法和软件是可用的权利开箱即用的计算病理学社区。

2019-01-10cs.CV

基于深度学习的实例分割用于数字乳腺癌免疫组化图像的精确自动量化

Deep learning-based instance segmentation for the precise automated quantification of digital breast cancer immunohistochemistry images

Hospital Universitario Puerta del Mar（普埃尔塔德尔马大学医院）

本研究提出基于深度学习的实例分割架构，用于自动量化乳腺癌免疫组化图像中的细胞核和膜生物标志物，并开发web平台辅助标注与验证，为病理学家提供决策支持。

2023-11-22cs.AIcs.CVeess.IV

通过自动地标检测和分段仿射扭曲的肺区域几何形状归一化实现肺炎和COVID-19的准确识别

Accurate Recognition of Pneumonia and COVID-19 by Geometric Shape Normalization of Lung Region using Automatic Landmark Detection and Piecewise Affine Warping

Facultad de Ciencias de la Electrónica Benemérita Universidad Autónoma de Puebla（Benemérita自治大学电子科学学院）

提出一种自动系统，通过肺区域几何归一化（结合ResNet-18地标检测、分段仿射扭曲和分类器）识别胸片中的肺部疾病，在COVID-19放射学数据库上达到98.60%准确率，优于未对齐图像。

2026-06-29cs.CV

ACROBAT 2022挑战赛：乳腺癌组织的自动配准

The ACROBAT 2022 Challenge: Automatic Registration Of Breast Cancer Tissue

Karolinska Institutet（卡罗林斯卡学院）；University of Turku（图尔库大学）；University of Eastern Finland（东芬兰大学）；Zealand University Hospital（西兰大学医院）；Gestalt Diagnostics（格式塔诊断公司）；Moffitt Cancer Center（莫菲特癌症中心）；University of Applied Sciences Western Switzerland（瑞士西部应用科学大学）；AGH University of Kraków（克拉科夫AGH科技大学）；University of Geneva（日内瓦大学）；University of Padova（帕多瓦大学）；Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学MEVIS研究所）；University of Twente（特温特大学）；Muroran Institute of Technology（室兰工业大学）；Niigata University of Health and Welfare（新潟医疗福祉大学）；Konica Minolta, Inc.（柯尼卡美能达株式会社）；University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）；Karolinska University Hospital（卡罗林斯卡大学医院）；Tampere University（坦佩雷大学）

针对全切片图像配准技术现状不明的问题，ACROBAT挑战赛基于大规模乳腺癌WSI数据集，比较八种配准算法，确立当前最优水平并指导方法选择。

2023-05-29cs.CVeess.IV

使用深度神经网络评估乳腺肿瘤细胞结构

Breast Tumor Cellularity Assessment using Deep Neural Networks

Neuromation OU；University of Oulu（奥卢大学）；MIT（麻省理工学院）；University of Michigan（密歇根大学）；Steklov Mathematical Institute（斯捷克洛夫数学研究所）

乳腺癌是世界范围内的主要死亡原因之一。手术后组织中残留肿瘤的组织学细胞构成评估用于分析肿瘤对治疗的反应。正确的细胞结构评估增加了获得适当治疗的机会，并有助于患者的生存。在当前的临床实践中，肿瘤细胞构成由病理学家手动估计;该过程是繁琐的，并且容易出现错误或评估者之间的低一致率。在这项工作中，我们评估了三种强大的基于深度学习的新方法，用于自动评估用苏木精和伊红染色的治疗后乳腺手术标本的肿瘤细胞结构。我们在BreastPathQ SPIE挑战数据集上验证了所提出的方法，该数据集由从64名患者采集的全载玻片图像中选择的2395个图像块组成。与专家病理学家评分相比，我们表现最好的方法得到的Cohen kappa系数为0.70（与文献中先前已知的0.42相比），类内相关系数为0.89（与0.83相比）。我们的研究结果表明，基于深度学习的方法具有减轻病理学家负担的巨大潜力，可以增强诊断工作流程，从而促进乳腺癌治疗的更好临床结果。

2019-09-03cs.CVeess.IV