Breast Cancer Detection Using Convolutional Neural Networks
Mekelle Institute of Technology - Mekelle University(梅克莱大学梅克莱理工学院);FDRE Ministry of Innovation and Technology(埃塞俄比亚联邦民主共和国创新与技术部);College of Health Science - Mekelle University(梅克莱大学健康科学学院)
乳腺癌在埃塞俄比亚很普遍,占女性癌症患者的34%。埃塞俄比亚的诊断技术是手动的,这被证明是繁琐、主观和具有挑战性的。深度学习技术正在彻底改变医学图像分析领域,因此在这项研究中,我们提出了用于乳腺肿块检测的卷积神经网络(CNN),以最大限度地减少手动分析的开销。CNN架构被设计用于特征提取阶段,并适应更快的R-CNN的区域建议网络(RPN)和感兴趣区域(ROI)部分,用于自动乳腺肿块异常检测。我们的模型检测肿块区域,并将其分类为良性或恶性异常的乳房X线摄影(MG)图像一次。该模型采集了本地不同医院的MG图像,通过高斯滤波、中值滤波、双边滤波等预处理,从MG图像的背景中提取出乳腺区域。模型在测试数据集上的性能为:检测准确率91.86%,灵敏度94.67%,AUC-ROC为92.2%。
2020-08-19 cs.CV
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。
2021-04-23 cs.CV eess.IV
DCS-ST for Classification of Breast Cancer Histopathology Images with Limited Annotations
School of Digital Arts, Jiangxi Arts & Ceramics Technology Institute(数字艺术学院,江西艺术与陶瓷科技学院);Department of IT Engineering, Mokwon University(信息工程系,莫权大学)
本文提出DCS-ST方法,针对乳腺癌组织病理图像在标注数据有限时的分类性能下降问题,利用有限标注提升分类效果。
2025-05-07 cs.AI cs.CV
Deep Learning in Breast Cancer Imaging: A Decade of Progress and Future Directions
The Hong Kong University of Science and Technology(香港科技大学);Stanford University School of Medicine(斯坦福大学医学院);The Chinese University of Hong Kong(香港中文大学);The University of Hong Kong(香港大学);HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute(香港科技大学深圳-香港协同创新研究院)
本文综述近十年深度学习在乳腺X线、超声、MRI和数字病理中的筛查、诊断、疗效预测及预后应用,并总结挑战与未来方向。
2024-01-20 cs.CV eess.IV
Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction
University of Waterloo(滑铁卢大学)
针对乳腺癌新辅助化疗评估的主观偏差问题,本研究将优化的合成相关扩散成像与扩散加权成像融合的多参数MRI用于病理完全缓解预测,留一法交叉验证准确率达93.28%,较此前结果提升超5.5%。
2024-05-13 cs.CV eess.IV
Evaluation of Joint Multi-Instance Multi-Label Learning For Breast Cancer Diagnosis
Bilkent University(比尔肯特大学)
多示例多标记(MIML)学习在许多方面都是一个具有挑战性的问题。这种学习方法可能对许多医学诊断应用有用,包括乳腺癌检测和分类。在这项研究中,digiPATH数据集(全载玻片数字乳腺癌组织病理学图像)的子集用于训练和评估六种最先进的MIML方法。最后,通过有效的评价指标对这些方法进行了性能比较。结果表明,MIML-kNN取得了最好的性能,平均精度为%65.3,大多数其他方法也取得了可接受的结果。
2015-10-10 cs.CV cs.LG
A lightweight deep learning pipeline with DRDA-Net and MobileNet for breast cancer classification
Isfahan University of Technology(伊斯法罕理工大学);Seattle University(西雅图大学)
本文提出DRDA-Net与MobileNet结合的轻量级深度学习流水线,在BreaKHis数据集上实现高精度乳腺癌分类,兼顾准确性与计算效率,助力快速筛查。
2024-03-17 cs.CV eess.IV
Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging
University of Waterloo(滑铁卢大学)
针对有创乳腺癌分级的痛点,本研究融合优化后的CDI^s与DWI构建多参数MRI,基于更大患者队列微调全层预训练MONAI模型,将分级预测的留一法交叉验证准确率提升至95.79%,较此前结果高8%以上。
2024-05-13 cs.CV eess.IV
ViT-DeiT: An Ensemble Model for Breast Cancer Histopathological Images Classification
Umm Al-Qura University(乌姆·库拉大学);King Abdulaziz University(阿卜杜勒阿齐兹国王大学);University of Tabuk(塔布克大学);King Faisal Specialist Hospital and Research Center(费萨尔国王专科医院和研究中心);University of Nevada(内华达大学)
乳腺癌是世界上最常见的癌症,也是导致妇女死亡的第二大常见癌症。使用组织病理学图像及时准确地诊断乳腺癌对于患者的护理和治疗至关重要。病理学家可以在一种基于图像处理的新方法的帮助下做出更准确的诊断。该方法是两种类型的预训练的Vision Transformer模型(即,Vision Transformer和数据高效图像Transformer)的集成模型。所提出的集成模型将乳腺癌组织病理学图像分为八类,其中四类被归类为良性,而其他被归类为恶性。一个公共数据集被用来评估所提出的模型。实验结果表明,98.17%的准确率,98.18%的精确率,98.08%的召回率,和98.12%的F1得分。
2022-11-01 cs.CV eess.IV
A Novel method for IDC Prediction in Breast Cancer Histopathology images using Deep Residual Neural Networks
Jalpaiguri Government Engineering College(贾尔派古里政府工程学院)
浸润性导管癌(IDC),有时也称为浸润性导管癌,是乳腺癌最常见的形式。它占所有乳腺癌的80%左右。根据美国癌症协会的数据,美国每年有超过18万名妇女被诊断患有浸润性乳腺癌。与这种形式的癌症相关的存活率约为77%至93%,这取决于他们被诊断的阶段。这些疾病的侵袭性和发生频率使其成为难以诊断的癌症之一。我们提出的方法涉及诊断浸润性导管癌与深残差卷积网络分类IDC影响的组织病理学图像从正常图像。所使用的数据集是称为乳腺组织病理学图像的基准数据集。显微镜RGB图像被转换为七通道图像矩阵,然后将其馈送到网络。所提出的模型产生了一个99.29%的准确性的方法预测IDC的组织病理学图像的AUROC评分为0.9996。使用标准的性能指标测试模型的分类能力。
2019-11-11 cs.CV eess.IV
Breast Cancer Detection using Histopathological Images
Tata Consultancy Services Ltd(塔塔咨询服务有限公司);Amdocs(Amdocs公司)
癌症是世界上最常见和最致命的疾病之一。乳腺癌影响每八名妇女中的一名和每八百名男子中的一名。因此,我们的首要目标是及早发现癌症,因为及早发现癌症有助有效治疗癌症。因此,我们提出了一个显着性检测系统的帮助下,先进的深度学习技术,使机器将被教导模仿病理学家的行动,定位诊断相关的区域。我们通过训练CNN(VGG 16,ResNet架构)来研究乳腺癌的五种诊断类别的识别。我们使用BreakHis数据集来训练我们的模型。我们专注于组织病理学图像中的癌区域的检测和分类。与诊断相关的区域是显著的。该检测系统将作为一个开放源代码的网络应用程序,可供病理学家和医疗机构使用。
2022-02-12 cs.CV eess.IV
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。
2022-08-01 cs.CV eess.IV
Towards order of magnitude X-ray dose reduction in breast cancer imaging using phase contrast and deep denoising
The University of Melbourne(墨尔本大学);The University of Sydney(悉尼大学);Eastern Health(东部健康);Monash Health(莫纳什健康);Monash University(莫纳什大学);Australian Synchrotron, ANSTO(澳大利亚同步辐射中心,ANSTO);Commonwealth Scientific and Industrial Research Organisation(澳大利亚联邦科学与工业研究组织)
本研究证明相衬计算机断层扫描结合深度学习图像去噪可在不损失图像质量的前提下将乳腺癌成像辐射剂量降低16倍以上,为活体患者低剂量PCT乳腺癌成像奠定基础。
2025-05-09 cs.CV physics.med-ph
A Large Model for Non-invasive and Personalized Management of Breast Cancer from Multiparametric MRI
The Hong Kong University of Science and Technology(香港科技大学);PLA Middle Military Command General Hospital(中国人民解放军中部战区总医院);The University of Hong Kong(香港大学);The Chinese University of Hong Kong(香港中文大学);Yunnan Cancer Hospital(云南省肿瘤医院);th Medical Center of Chinese PLA General Hospital(中国人民解放军总医院第五医学中心);Southern Medical University(南方医科大学)
本文提出大型模态混合专家模型MOME,整合多参数MRI信息,在乳腺癌检测中匹敌资深医生,支持缺失模态推理与决策解释,实现无创个性化管理。
2025-04-04 cs.AI cs.CV
Deep-LIBRA: Artificial intelligence method for robust quantification of breast density with independent validation in breast cancer risk assessment
University of Pennsylvania(宾夕法尼亚大学);Mayo Clinic(梅奥诊所)
乳腺密度是乳腺癌的一个重要危险因素,也会影响筛查性乳腺X线摄影的特异性和灵敏度。目前的联邦立法要求报告所有接受乳房筛查的妇女的乳房密度。临床上,使用美国放射学会乳腺成像报告和数据系统(BI-RADS)量表对乳腺密度进行视觉评估。在这里,我们介绍了一种人工智能(AI)方法,用于从数字乳房X线照片中估计乳房百分比密度(PD)。我们的方法利用深度学习(DL),使用两个卷积神经网络架构来准确分割乳房区域。然后应用结合超像素生成、纹理特征分析和支持向量机的机器学习算法来区分致密组织区域和非致密组织区域,由此估计PD。我们的方法已经在15,661张图像(4,437名女性)的多种族,多机构数据集上进行了训练和验证,然后在6,368张数字乳房X线照片(1,702名女性;病例=414)的独立数据集上进行了PD估计和乳腺癌区分的测试。在独立数据集上,来自Deep-LIBRA和专家阅片员的PD估计值强相关(斯皮尔曼相关系数= 0.90)。此外,与其他四种广泛使用的研究和商业PD评估方法(AUC = 0.528至0.588)相比,Deep-LIBRA产生了更高的乳腺癌区分性能(ROC曲线下面积,AUC = 0.611 [95%置信区间(CI):0.583,0.639])。我们的研究结果表明,Deep-LIBRA和专家读者的黄金标准评估之间的PD估计值非常一致,并且与最先进的开源和商业方法相比,乳腺癌风险评…
2021-10-19 cs.CV cs.LG eess.IV
SimPLe: Similarity-Aware Propagation Learning for Weakly-Supervised Breast Cancer Segmentation in DCE-MRI
Shenzhen University(深圳大学);Shenzhen University Medical School(深圳大学医学部);School of Biomedical Engineering, Shenzhen University(深圳大学生物医学工程学院)
提出一种基于极值点标注的弱监督乳腺癌DCE-MRI分割策略SimPLe,通过训练-微调-重训练过程利用相似性感知传播学习标签,在206例数据集上实现81%平均Dice值。
2023-06-29 cs.CV eess.IV
Deep Angular Embedding and Feature Correlation Attention for Breast MRI Cancer Analysis
The Chinese University of Hong Kong(香港中文大学);Imsight Medical Technology, Co., Ltd.(推想医疗科技股份有限公司);Imperial College London(伦敦帝国理工学院);The Fifth Medical Center of Chinese PLA General Hospital(中国人民解放军总医院第五医学中心);Beijing Image Diagnostic Center of Rimag(北京一脉阳光影像诊断中心)
乳腺MRI图像的准确、自动化分析对乳腺癌的早期诊断和治疗计划的制定具有重要意义。由于肿瘤的异质性,准确诊断肿瘤仍然是一项具有挑战性的任务。在这篇论文中,我们提出了通过深度学习(DL)的余弦边缘S形损失(CMSL)来识别MRI中的乳腺肿瘤,并基于学习的特征通过相关注意图(COAM)定位可能的癌症病变。CMSL将肿瘤特征嵌入到超球体上,并通过余弦约束施加决策裕度。通过这种方式,DL模型可以在角空间中学习更多可分离的类间特征和更紧凑的类内特征。此外,我们利用特征向量之间的相关性来生成注意力图,该注意力图可以仅用图像级标签来准确地定位癌症候选者。我们建立了最大的乳腺癌数据集,涉及10,290个DCE-MRI扫描体积,用于开发和评估所提出的方法。由CMSL驱动的模型在测试集上实现了0.855的分类准确度和0.902的AUC,灵敏度和特异性分别为0.857和0.852,总体上优于其他竞争方法。此外,与其他弱监督定位方法相比,COAM算法能够更准确地定位肿瘤中心。
2019-06-07 cs.CV eess.IV
A Deep Analysis of Transfer Learning Based Breast Cancer Detection Using Histopathology Images
Central Michigan University(中密歇根大学);University of South Dakota(南达科他大学)
本文通过分析ResNet50、ResNet101、VGG16和VGG19等预训练迁移学习模型在2453张组织病理学图像上的乳腺癌检测性能,发现ResNet50表现最优,准确率达90.2%、AUC达90.0%、召回率达94.7%。
2023-04-11 cs.CV cs.LG eess.IV
Pretrained Vision Models for Predicting High-Risk Breast Cancer Stage
McGill University(麦吉尔大学);Mila Quebec AI Institute(米拉魁北克人工智能研究所);Lelapa AI(莱拉帕人工智能);Masakhane Research Foundation(马萨卡内研究基金会);Drexel University(德雷塞尔大学);University Of Maryland Baltimore County(马里兰大学巴尔的摩县分校)
癌症日益成为全球性的健康问题。仅次于心血管疾病,癌症是世界上第二大死亡原因,每年有数百万人死于癌症。根据世界卫生组织(WHO)的报告,截至2020年底,超过780万女性被诊断患有乳腺癌,使其成为世界上最流行的癌症。在本文中,使用数字病理学(乳腺活检)图像的Nightingale Open Science数据集,我们利用预先训练的计算机视觉模型的功能进行乳腺癌分期预测任务。虽然个别模型实现体面的表现,我们发现,一个合奏模型的预测更有效,并提供了一个成功的解决方案\footnote{https://www.nightingalescience.org/updates/hbc1-results}。我们还提供了结果的分析,并探索更好的可解释性和泛化的途径。我们的代码在\url{https://github.com/bonaventuredossou/nightingale_winning_solution}上是开源的
2023-03-19 cs.CV cs.LG eess.IV
Improving Prostate Cancer Detection with Breast Histopathology Images
Top Data Science Ltd.(顶级数据科学有限公司);University of Helsinki(赫尔辛基大学);Skåne University Hospital(斯科讷大学医院);Helsinki University Hospital(赫尔辛基大学医院)
深度神经网络已经在对包括前列腺组织图像的数字病理图像的基于机器学习的分析领域中引入了显著的进步。在迁移学习的帮助下,神经网络模型的分类和分割性能得到了进一步提高。然而,由于缺乏大型的、广泛注释的、公开可用的前列腺组织病理学数据集,之前的几项研究采用了来自经过充分研究的计算机视觉任务的数据集,如ImageNet数据集。在这项工作中,我们提出了一个迁移学习计划,从乳腺组织病理学图像,以提高前列腺癌检测性能。我们通过使用公开的乳腺组织病理学数据集作为预训练,在带注释的前列腺全切片图像上验证了我们的方法。我们证明了所提出的跨癌症方法优于ImageNet数据集的迁移学习。
2019-03-14 cs.CV cs.LG stat.ML
Advancing Histopathology-Based Breast Cancer Diagnosis: Insights into Multi-Modality and Explainability
Qatar University(卡塔尔大学);University of Sharjah(沙迦大学)
本综述聚焦乳腺癌诊断领域,探索组织病理学图像与非图像数据融合的多模态技术,结合XAI提升诊断可解释性,以优化诊断效果、推动个性化治疗,并指明未来研究方向。
2024-06-07 cs.AI cs.CV cs.LG
Discriminative Pattern Mining for Breast Cancer Histopathology Image Classification via Fully Convolutional Autoencoder
University of Toronto(多伦多大学);National Cancer Research Centre(国家癌症研究中心);Institute for Oncology and Radiology(肿瘤与放射学研究所)
由于癌细胞生长以及各种良性乳腺组织增生性病变的异质性,在组织病理学图像中准确诊断乳腺癌是具有挑战性的。在本文中,我们提出了一种实用且可自我解释的侵入性癌症诊断解决方案。该方法利用最少的标注信息,以无监督的方式挖掘正常图像和恶性图像之间的对比模式,并生成异常概率图以验证其推理。特别地,使用全卷积自动编码器来学习正常图像块之间的主导结构模式。对于不具有该正态总体特征的斑块,采用单类支持向量机和单层神经网络进行检测和分析。我们将所提出的方法应用于公共乳腺癌图像集。我们的研究结果,在与资深病理学家协商,表明所提出的方法优于现有的方法。所获得的概率图可以通过提供可视化的验证数据来有益于病理学实践,并可能导致更好地理解数据驱动的诊断解决方案。
2020-05-05 cs.CV cs.LG eess.IV
Assessment of Breast Cancer Histology using Densely Connected Convolutional Networks
Konica Minolta Laboratory Europe(柯尼卡美能达欧洲实验室);LMU Munich(慕尼黑大学)
乳腺癌是最常见的癌症,也是全世界女性癌症相关死亡的主要原因。在这篇文章中,我们研究了密集连接的卷积神经网络的组织学图像分类和整个幻灯片图像分割的计算机辅助诊断乳腺癌的区域中的问题的适用性。为此,我们研究了迁移学习的各种方法,并将其应用于2018年乳腺癌组织学图像(BACH)大挑战的数据集。
2018-04-09 cs.CV
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%。
2018-04-18 cs.CV
Cancerous Nuclei Detection and Scoring in Breast Cancer Histopathological Images
Department of Electrical and Electronics Engineering, Shiraz University of Technology(设拉子理工大学电气与电子工程系);Department of Pathology, School of Medicine, Shiraz University of Medical Sciences(设拉子医科大学医学院病理学系)
乳腺癌的早期发现和预后是可行的,利用活检标本的组织病理学分级。本研究的重点是乳腺癌组织病理学图像中细胞核多形性的检测和分级。所提出的方法包括三个内部步骤。首先,在预处理步骤中使用H&E的解混颜色。其次,对预处理后的图像进行形态学运算和高斯差分滤波,提取癌细胞核的中心,并结合癌细胞核的中心提取癌细胞核的边界。最后,对分割的细胞核进行评分,以完成乳腺癌Nottingham分级系统的一个参数。在这种方法中,细胞核面积、染色质密度、轮廓规则性和核仁存在是细胞核多形性评分的特征。实验结果表明,该算法的准确率为86.6%,与相关文献中的现有方法相比,在检测癌细胞核方面取得了显着进步。
2016-12-05 cs.CV
Masked Video Modeling with Correlation-aware Contrastive Learning for Breast Cancer Diagnosis in Ultrasound
Shenzhen University(深圳大学);Sun Yat-Sen Memorial Hospital of Sun Yat-Sen University(中山大学孙逸仙纪念医院)
乳腺癌是女性癌症死亡的主要原因之一。作为乳腺筛查的主要输出,乳腺超声(US)视频包含用于癌症诊断的独家动态信息。然而,用于视频分析的训练模型是不平凡的,因为它需要大量的数据集,这也是昂贵的注释。此外,乳腺病变的诊断面临着独特的挑战,如类间的相似性和类内的变化。在本文中,我们提出了一种开创性的方法,直接利用美国的视频在计算机辅助乳腺癌诊断。它利用掩码视频建模作为预训练,以减少对数据集大小和详细注释的依赖。此外,一个相关意识的对比损失的发展,以促进识别良性和恶性病变之间的内部和外部的关系。实验结果表明,我们提出的方法取得了良好的分类性能,可以优于其他国家的最先进的方法。
2022-09-10 cs.CV
An Automatic Patch-based Approach for HER-2 Scoring in Immunohistochemical Breast Cancer Images Using Color Features
乳腺癌(BC)是世界范围内女性中最常见的癌症,大约20-25%的BC是HER-2阳性。HER-2的分析是确定乳腺癌患者适当治疗的基础。病理学家之间的差异,在测试结果可能会影响诊断的准确性。本研究旨在提出一种HER-2自动评分算法。基于颜色特征,该技术是全自动的,避免了分割,在实验中与病理学家的一致性高于90%。
2018-05-14 cs.CV
Deep Transfer Learning for Breast Cancer Classification
Michigan State University(密歇根州立大学);AIMS Ghana(加纳非洲数学科学研究所)
本研究比较了VGG、ViT和Resnet在浸润性导管癌图像分类中的表现,发现Resnet-34准确率达90.40%,而VGG-16因参数少具有更高F1分数,表明深度迁移学习能有效提升乳腺癌诊断的准确性和可及性。
2024-09-05 cs.CV
Deep Learning for Breast Cancer Detection: Comparative Analysis of ConvNeXT and EfficientNet
Department of Computer Science and Engineering(计算机科学与工程系);BRAC University, Dhaka, Bangladesh(布拉克大学)
本研究针对乳腺癌早期检测需求,对比ConvNeXT与EfficientNet两种卷积神经网络在RSNA乳腺X线数据集上的癌症检测性能,发现ConvNeXT的AUC、准确率和F值均更优。
2025-05-24 cs.CV
Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging
University of Waterloo(滑铁卢大学)
针对传统乳腺癌SBR分级需活检的问题,提出基于合成相关扩散成像(CDI$^s$)体积深度影像组学方法Cancer-Net BCa-S,实现无需活检的准确SBR分级预测,性能优于金标准成像模态。
2023-04-12 cs.CV
Improve the performance of transfer learning without fine-tuning using dissimilarity-based multi-view learning for breast cancer histology images
École de Technologie Supérieure, Université du Québec(魁北克大学高等技术学院);Université de Rouen Normandie(鲁昂诺曼底大学)
乳腺癌是最常见的癌症类型之一,也是女性癌症相关死亡的主要原因。在ICIAR 2018乳腺癌组织学图像大挑战的背景下,我们比较了一个手工特征提取器和五个基于深度学习的迁移学习特征提取器。我们发现,在ImageNet上预训练的深度学习网络比用于乳腺癌组织学图像的流行手工特征具有更好的性能。最佳特征提取器的平均准确率为79.30%。为了提高分类性能,一个基于随机森林相异性的集成方法被用来将不同的特征组组合在一起。当五个深度学习特征组组合在一起时,平均准确率提高到82.90%(最佳准确率为85.00%)。当手工特征与五个深度学习特征组相结合时,平均准确率提高到87.10%(最佳准确率为93.00%)。
2018-03-29 cs.CV
Development of an interactive GUI using MATLAB for the detection of type and stage of Breast Tumor
MCKV Institute of Engineering(MCKV工程学院)
本文开发了一种基于MATLAB的交互式GUI,通过将实际乳腺肿块图像与样本图像进行滑块比较,实现乳腺肿瘤类型与分期的实时检测和报告生成。
2024-06-29 cs.CV
Enhancing Breast Cancer Risk Prediction by Incorporating Prior Images
Lunit Inc(Lunit公司)
针对现有乳腺癌风险预测模型未考虑乳腺随时间变化的问题,提出结合Transformer解码器利用既往乳腺X线影像的PRIME+方法,在16113次检查的数据集上实现C-index从0.68到0.73的显著提升。
2023-08-28 cs.CV
Deep learning approach for breast cancer diagnosis
Faculty of Informatics and Computer Science(信息与计算机科学学院);The British University in Egypt(埃及英国大学);Faculty of Science, Suez Canal University(苏伊士运河大学理学院)
乳腺癌是世界范围内的主要致命疾病之一,如果早期发现,风险控制很高。乳房筛查的常规方法是X射线乳房摄影术,已知其对于癌症病变的早期检测具有挑战性。由于成像过程中的压缩过程而产生的致密乳房结构导致难以识别小尺寸异常。此外,乳房组织的内部和内部变化导致使用手工制作的特征实现高诊断准确性的显著困难。深度学习是一种新兴的机器学习技术,需要相对较高的计算能力。然而,事实证明,它在一些需要人类智力水平决策的困难任务中非常有效。在本文中,我们开发了一种新的网络架构的灵感来自U-网结构,可用于有效和早期检测乳腺癌。结果表明,高比率的敏感性和特异性,表明潜在的实用性,所提出的方法在临床使用。
2020-03-10 cs.CV
Interpretable Deep Transfer Learning for Breast Ultrasound Cancer Detection: A Multi-Dataset Study
College of Engineering and Information Technology(工程与信息技术学院)
该研究针对乳腺超声图像的癌症分类任务,在多数据集上评估经典机器学习与深度卷积神经网络模型,发现ResNet-18准确率达99.7%,结合深度特征的传统模型也具竞争力,还通过Grad-CAM提升可解释性,验证了AI辅助超声乳腺癌检测的临床可行性。
2025-09-05 cs.CV
A Semi-Supervised Framework for Automatic Pixel-Wise Breast Cancer Grading of Histological Images
在全世界,乳腺癌是女性死亡的主要原因之一。最近,深度学习方法被开发用于对组织学载玻片的乳腺癌进行自动分级。然而,由于缺乏大型注释生物医学数据集,现有深度学习模型的性能受到限制。减轻注释负担的一种有希望的方法是利用未注释的数据集来增强训练的模型。本文首次将主动学习方法应用于乳腺癌分级,提出了一种基于期望最大化(EM)模型的半监督框架。建议EM方法是基于注释和未注释的数据集之间的协同过滤。协同过滤方法有效地从未标注的图像中提取有用和可信的数据集。全切片图像(WSI)的逐像素预测结果表明,该方法不仅优于最先进的方法,而且还显着降低了70%以上的注释成本。
2022-03-08 cs.CV
Classification of Breast Cancer Histology using Deep Learning
Indian Institute of Technology Bombay(印度理工学院孟买分校)
乳腺癌是全世界妇女死亡的主要原因。在显微镜下观察来自活组织检查的苏木精和伊红(H&E)染色的乳腺组织样品用于乳腺癌的初步诊断。在本文中,我们提出了一种基于深度学习的方法,通过微调Szegedy等人提出的Inception-v3卷积神经网络(CNN),对BACH挑战2018发布的H&E染色乳腺组织图像进行分类。这些图像将被分为四类,即i)正常组织,ii)良性肿瘤,iii)原位癌和iv)浸润癌。我们的策略是基于细胞核密度而不是随机或网格采样来提取补丁,同时拒绝不富含细胞核(非上皮)区域的补丁进行训练和测试。图像中的每个块(核密集区域)被分类为上述四个类别中的一个。整个图像的类别是使用对核类别的多数投票来确定的。我们获得了85%的平均四类准确度和93%的平均两类(非癌症与癌症)准确度,这比Araujo等人以前的基准有所提高。
2018-07-25 cs.CV
Breast Cancer Detection Using Multilevel Thresholding
Noorul Islam College of Engineering(努鲁尔伊斯兰工程学院);MIT(马德拉斯理工学院)
本文提出了一种算法,其目的是帮助放射科医生在其早期阶段识别乳腺癌。它结合了几种图像处理技术,如图像负片,阈值和分割技术,用于检测乳房X线照片中的肿瘤。该算法是通过使用乳房X线图像分析协会的乳房X线照片进行验证。通过应用这些技术所获得的结果进行了说明。
2009-11-03 cs.CV
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。
2021-09-16 cs.CV
Ensemble classifier approach in breast cancer detection and malignancy grading- A review
Banasthali University(巴纳斯泰利大学)
乳腺癌的诊断病例每年都在增加,不幸的是,它转化为高死亡率。癌症在早期阶段很难检测到,因为恶意细胞显示出与非恶意细胞相似的特性(密度)。如果能在早期发现乳腺癌,死亡率本来可以降到最低。但是目前的系统还没有能够实现一个全自动的系统,不仅能够检测乳腺癌,而且可以检测它的阶段。恶性程度的估计是重要的,在诊断恶性细胞的生长程度,以及在选择适当的治疗为患者。因此,一个完整的和有效的临床决策支持系统的建议,这是能够实现乳腺癌恶性度分级方案非常有效。该系统基于图像处理和机器学习领域。分类不平衡问题是一种机器学习问题,当一个类的实例比另一个类的实例高得多时,会发生分类不平衡问题,从而导致样本分类效率低下,从而导致决策支持系统不好。因此,EUSBoost,基于集成的分类器被提出,这是有效的,并且能够优于其他分类器,因为它利用了随机欠采样技术的两种提升算法的优点。本文还将EUSBoost与其他技术进行了比较。
2017-04-11 cs.CV
Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging
University of Waterloo(滑铁卢大学);McMaster University(麦克马斯特大学);Niagara Health System(尼亚加拉健康系统);Waterloo AI Institute(滑铁卢人工智能研究院);DarwinAI Corp.(达尔文人工智能公司)
本文提出利用体积卷积神经网络从新型合成相关扩散成像(CDI$^s$)中学习体积深度影像组学特征,构建预测器用于乳腺癌分级和治疗后反应预测,在ACRIN-6698数据集上表现优于金标准模态,为肿瘤学家提供更优的临床决策支持。
2023-08-04 cs.CV
SD-CNN: a Shallow-Deep CNN for Improved Breast Cancer Diagnosis
乳腺癌是全世界妇女癌症死亡的第二大原因。然而,如果早期发现,它也是最可治疗的恶性肿瘤之一。数字乳腺X射线摄影(DM)筛查乳腺癌已被广泛使用。然而,它对乳房致密的女性的敏感性有限。该领域的一项新兴技术是对比增强数字乳腺X射线摄影(CEDM),其包括类似于DM的低能量(LE)图像和类似于乳腺磁共振成像(MRI)的利用肿瘤新生血管生成的重组图像。CEDM的诊断准确性优于DM。虽然有希望,但CEDM尚未在医疗中心广泛使用。在这项研究中,我们提出了一个浅-深卷积神经网络(SD-CNN),其中开发了一个浅CNN来从LE图像中获得“虚拟”重组图像,并采用一个深CNN来从LE、重组或“虚拟”重组图像中提取新的特征,用于集成模型将病例分类为良性与癌症。为了评估我们方法的有效性,我们首先使用从Mayo Clinic收集的49个CEDM病例开发了一个深度CNN,以证明重组图像对改善乳腺癌诊断的贡献(使用LE成像的准确性为0.86,使用LE和重组成像的准确性为0.90)。然后,我们使用相同的49个CEDM案例开发了一个shallow-CNN,以学习从LE到重组图像的非线性映射。接下来,我们使用69个糖尿病病例收集的医院位于浙江大学,中国产生“虚拟”重组图像。单独使用DM提供了0.91的准确性,而SD-CNN将诊断准确性提高到0.95。
2018-10-26 cs.CV
Utilizing Automated Breast Cancer Detection to Identify Spatial Distributions of Tumor Infiltrating Lymphocytes in Invasive Breast Cancer
Stony Brook University(石溪大学);Stony Brook Medicine(石溪医学院);Stony Brook University Hospital(石溪大学医院);University of Michigan Medical School(密歇根大学医学院);National Cancer Institute(美国国家癌症研究所);National Institutes of Health(美国国立卫生研究院);Emory University(埃默里大学)
肿瘤-TIL空间关系的定量评估在乳腺癌研究的基础科学和临床方面都越来越重要。我们已经开发并评估了卷积神经网络(CNN)分析管道,以在常规诊断乳腺癌全载玻片组织图像(WSIs)中生成癌症区域和肿瘤浸润淋巴细胞(TILs)的组合图。我们制作了交互式全载玻片图,提供1)关于淋巴细胞浸润的结构模式和空间分布的见解,2)促进TIL的改进定量。我们使用三个CNN网络- Resnet-34、VGG 16和Inception v4评估了肿瘤和TIL分析,并证明了结果与通过被认为是最好的公开方法获得的结果相比是有利的。我们已经开发了开源工具,并生成了一个由1,015个TCGA乳腺癌图像的肿瘤/TIL图谱组成的公共数据集。我们还提供了一个定制的基于网络的界面,该界面可以轻松地可视化和交互式探索1,015 TCGA浸润性乳腺癌病例的高分辨率组合肿瘤-TIL图,这些图可以下载用于进一步的下游分析。
2020-01-13 cs.CV eess.IV
A completely annotated whole slide image dataset of canine breast cancer to aid human breast cancer research
Friedrich-Alexander-Universität Erlangen-Nürnberg(弗里德里希-亚历山大大学埃尔兰根-纽伦堡分校);Freie Universität Berlin(柏林自由大学);Animal Medical Center(动物医学中心)
犬乳腺癌(CMC)已被用作研究人类乳腺癌发病机制的模型,并且通常使用相同的分级方案来评估两者中的肿瘤恶性程度。该分级方案的一个关键组成部分是有丝分裂像(MF)的密度。目前公开可用的人类乳腺癌数据集仅为全载玻片图像(WSIs)的小子集提供注释。我们提出了一个新的数据集的21个WSI的CMC完全注释MF。为此,病理学家筛选了所有WSI中的潜在MF和具有相似外观的结构。第二个专家盲目地分配标签,对于不匹配的标签,第三个专家分配最终的标签。此外,我们使用机器学习来识别以前未检测到的MF。最后,我们进行了表示学习和二维投影,以进一步提高注释的一致性。我们的数据集包括13,907个MF和36,379个硬阴性。我们在测试集上实现了0.791的平均F1得分,在人类乳腺癌数据集上达到了0.696。
2020-11-27 cs.AI cs.CV
Detecting Breast Cancer using a Compressive Sensing Unmixing Algorithm
传统的乳腺癌成像方法采用微波近场雷达成像(NRI),试图恢复成像区域中每个体素处组织的复介电常数。这种方法是次优的,因为它没有直接考虑健康和癌性乳腺组织通常具有的介电常数值。在本文中,我们描述了一种新的检测乳腺癌的混合算法。在该方法中,乳房组织被分离成三个组分,低水含量(LWC)、高水含量(HWC)和癌组织,并且优化过程的目标是恢复每个组分的混合比例。通过在混合DBT / NRI系统中利用这种方法,解混重构过程可以被视为稀疏恢复问题,使得可以采用压缩感测(CS)技术。进行了数值分析,表明在适当的条件下,可以从它们的混合比例检测癌性病变。
2016-10-28 cs.CV math.OC
Inception Architecture and Residual Connections in Classification of Breast Cancer Histology Images
Chonbuk National University(韩国全北国立大学)
本文介绍了将Inception v4深度卷积神经网络应用于ICIAR-2018乳腺癌分类大挑战a部分的结果。挑战任务是对以苏木精和伊红染色图像形式呈现的乳腺癌活检结果进行分类。乳腺癌分类是医学从业者的主要兴趣,因此乳腺癌图像的二进制分类已经受到许多研究人员的研究,但由于类别之间的细微差异,组织学乳腺图像的多类分类一直具有挑战性。在这项工作中,进行了广泛的数据增强,以减少过拟合和有效性委员会的几个Inception v4网络进行了研究。我们报告了89%的准确率4类分类任务和93.7%的癌/非癌两类分类任务,使用我们的测试集的80幅图像。
2019-12-10 cs.CV eess.IV
MS-GWNN:multi-scale graph wavelet neural network for breast cancer diagnosis
Peking University(北京大学);Beijing Institute of Big Data Research(北京大数据研究院);Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院)
乳腺癌是全球女性最常见的癌症之一,早期发现可以显著降低乳腺癌的死亡率。在乳腺癌的检测中,考虑组织结构的多尺度信息至关重要。因此,设计一个准确的计算机辅助检测(CAD)系统来捕获癌组织中的多尺度上下文特征是关键。在这项工作中,我们提出了一种新的图卷积神经网络的乳腺癌组织病理图像分类。多尺度图小波神经网络(MS-GWNN)利用谱图小波的局部化特性进行多尺度分析。通过聚合不同尺度的特征,MS-GWNN可以编码整个病理切片中的多尺度上下文交互。在两个公开数据集上的实验结果表明了该方法的优越性。此外,通过消融研究,我们发现多尺度分析对癌症诊断的准确性有显著影响。
2020-12-29 cs.AI cs.CV
convoHER2: A Deep Neural Network for Multi-Stage Classification of HER2 Breast Cancer
一般来说,人表皮生长因子2(HER2)乳腺癌比其他类型的乳腺癌更具侵袭性。目前,HER2乳腺癌的检测使用昂贵的医学测试是最昂贵的。因此,本研究的目的是开发一个名为convoHER2的计算模型,用于使用卷积神经网络(CNN)检测图像数据的HER2乳腺癌。苏木精和伊红(H&E)和免疫组织化学(IHC)染色的图像已被用作来自贝叶斯信息准则(BIC)基准数据集的原始数据。该数据集由4873张H&E和IHC图像组成。在数据集的所有图像中,分别应用3896和977个图像来训练和测试convoHER 2模型。由于所有图像都是高分辨率的,我们调整了它们的大小,以便我们可以将它们输入到convoHER2模型中。基于癌症的阶段(0+、1+、2+、3+)将癌样本图像分类为四个类别。convoHER2模型能够使用H&E图像和IHC图像分别检测HER2癌症及其分级,准确率分别为85%和88%。本研究的结果确定convoHER2模型的HER2癌症检测率足以为患者提供更好的诊断,以便将来恢复其HER2乳腺癌。
2022-11-19 cs.CV eess.IV
Double Transfer Learning for Breast Cancer Histopathologic Image Classification
State University of Ponta Grossa(蓬塔格罗萨州立大学);Pontifical Catholic University of Paraná(巴拉那天主教大学);Federal University of Parana(巴拉那联邦大学)
这项工作提出了一种用于乳腺癌组织病理学图像(HI)的分类方法,该方法使用迁移学习来使用ImageNet数据集预训练的Inception-v3 CNN从HI中提取特征。我们还使用迁移学习在组织标记的结直肠癌数据集上训练支持向量机(SVM)分类器,旨在从乳腺癌HI中过滤斑块并去除不相关的斑块。我们表明,在训练第二个SVM分类器之前去除不相关的补丁,提高了乳腺癌图像上恶性和良性肿瘤分类的准确性。使用特征提取迁移学习,我们能够将分类准确率提高3.7%,使用不相关补丁消除,我们能够将分类准确率提高0.7%。所提出的方法在乳腺癌数据集的四个放大因子中的三个方面优于最先进的方法。
2019-04-16 cs.CV cs.LG
Discriminative Localized Sparse Representations for Breast Cancer Screening
Delaware State University(特拉华州立大学)
乳腺癌是发达国家和发展中国家妇女中最常见的癌症。乳腺癌的早期发现和诊断可以降低其死亡率,提高生活质量。计算机辅助检测(CADx)和计算机辅助诊断(CAD)技术已显示出减少人类专家阅读负担并提高结果准确性和可重复性的前景。稀疏分析技术已经产生了用于表示和识别成像模式的相关结果。在这项工作中,我们提出了一种方法标签一致的空间局部化Encoding稀疏分析(LC-SLESA)。在这项工作中,我们将字典学习应用到我们的基于块的稀疏分析方法中,以将乳腺病变分类为良性或恶性。我们的方法与LC-KSVD字典学习相结合的性能在MIAS数据集上使用10倍,20倍和30倍交叉验证进行评估。我们的研究结果表明,提出的稀疏分析可能是一个有用的组成部分,乳腺癌筛查应用。
2020-11-20 cs.CV eess.IV
Early Detection and Classification of Breast Cancer Using Deep Learning Techniques
Varendra University(巴伦德拉大学)
本研究利用Kaggle的9248张乳腺超声图像,比较ResNet50、MobileNet、VGG16及自定义CNN模型,其中ResNet50以98.41%的最高准确率实现乳腺癌早期检测与分类。
2025-01-21 cs.CV cs.LG
Joint 2D-3D Breast Cancer Classification
University of Kentucky(肯塔基大学);Miami University(迈阿密大学)
乳腺癌是导致女性癌症死亡人数最多的恶性肿瘤。数字乳腺X线摄影(DM或2D乳腺X线摄影)和数字乳腺断层合成摄影(DBT或3D乳腺X线摄影)是临床实践中用于乳腺癌检测和诊断的两种类型的乳腺X线摄影图像。放射科医生通常阅读这两种成像模式的组合,然而,现有的计算机辅助诊断工具的设计只使用一种成像模式。受临床实践的启发,我们提出了一种用于乳腺癌分类的创新卷积神经网络(CNN)架构,该架构同时使用2D和3D乳房X线照片。实验结果表明,该方法显著提高了乳腺癌分类的性能。通过组装三个CNN分类器,所提出的模型达到0.97 AUC,这是34.72%,比只使用一种成像方式的方法。
2020-02-27 cs.CV eess.IV q-bio.QM
Screening Mammography Breast Cancer Detection
Northeastern University(东北大学)
针对当前乳腺癌筛查成本高、假阳性多的问题,本文提出自动化检测方案,在RSNA数据集上测试多种方法,取得平均验证pF1 0.56的结果,助力提升筛查效率与准确性。
2023-07-21 cs.CV cs.LG eess.IV
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。
2023-10-15 cs.CV eess.IV