Breast cancer detection using deep learning
School of Electronics Engineering(电子工程学院);Vellore Institute of Technology(韦洛尔理工学院)
本文提出结合多种CNN特征提取架构与基于区域的CNN,从微波成像重建图像中检测乳腺肿瘤,并在MRI衍生乳腺体模数据集上比较七种架构,发现NASNetLarge表现最佳。
2023-04-20 cs.AI cs.CV
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
An Innovative Framework for Breast Cancer Detection Using Pyramid Adaptive Atrous Convolution, Transformer Integration, and Multi-Scale Feature Fusion
本文提出基于金字塔自适应空洞卷积、Transformer和多尺度特征融合的乳腺癌检测框架,实现高准确率和效率,优于现有方法。
2026-01-18 cs.AI cs.CV
Longitudinal Multi-View Breast Cancer Risk Prediction
UiT The Arctic University of Norway(挪威北极大学UIT校区);University Hospital of North Norway(挪威北海岸大学医院);Norwegian Computing Center(挪威计算中心);University of Copenhagen(哥本哈根大学)
研究旨在准确预测乳腺癌风险,提出纵向多视图乳腺癌风险预测模型LMV-Net,在显式对齐框架内联合分析CC和MLO视图,经实验评估,该模型在总体及不同亚组风险预测性能上优于现有方法,凸显纵向多视图建模潜力。
2026-07-14 cs.AI cs.CV
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
MCUa: Multi-level Context and Uncertainty aware Dynamic Deep Ensemble for Breast Cancer Histology Image Classification
Birmingham City University(伯明翰城市大学);Assiut University(艾斯尤特大学);Galala University(加拉拉大学);Deakin University(迪肯大学);Ngee Ann Polytechnic(义安理工学院);SUSS University(新加坡社会科学大学);Asia University(亚洲大学)
乳腺组织学图像分类是乳腺癌早期诊断的关键步骤。在乳腺病理诊断中,卷积神经网络(CNN)已经证明了使用数字化组织切片的巨大成功。然而,由于大尺寸数字化样本的高度视觉可变性和缺乏上下文信息,组织分类仍然具有挑战性。在本文中,我们提出了一种新的CNN,称为多层上下文和不确定性感知(MCUA)动态深度学习集成模型。MCUA模型由多个多层上下文感知模型组成,以逐层的方式学习图像块之间的空间依赖关系。该模型利用了对多层次背景信息的高度敏感性,通过引入不确定性量化成分,实现了一种新的动态集成模型,在乳腺癌组织学图像数据集上取得了98.11%的高准确率。实验结果表明,所提出的解决方案相比,国家的最先进的组织学分类模型的优越的有效性。
2021-08-24 cs.AI cs.CV
Two-Dimensional ARMA Modeling for Breast Cancer Detection and Classification
University of Arkansas at Little Rock(阿肯色大学小石城分校);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
我们提出了一种新的基于模型的计算机辅助诊断(CAD)系统,用于肿瘤检测和分类(癌性与非癌性)。良性)。具体来说,我们表明,(X射线,超声和MRI)图像可以准确地建模的二维的【形】自回归移动平均(ARMA)随机场。我们推导出一个两阶段的Yule-Walker最小二乘估计的模型参数,随后被用作基础的统计推断和生物物理解释的乳房图像。我们使用一个k-means分类器分割成三个区域的乳房图像:健康组织,良性肿瘤,和癌性肿瘤。我们对超声乳腺图像的模拟结果说明了所提出的方法的力量。
2009-06-19 cs.AI cs.CV physics.med-ph
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
Breast Cancer Classification from Histopathological Images with Inception Recurrent Residual Convolutional Neural Network
University of Dayton(代顿大学)
深度卷积神经网络(DCNN)是最强大和最成功的深度学习方法之一。DCNN已经在不同的医学成像模式中提供了卓越的性能,包括乳腺癌分类,分割和检测。乳腺癌是影响全世界妇女的最常见和最危险的癌症之一。在本文中,我们提出了一种方法,乳腺癌分类的初始复发残差卷积神经网络(IRRCNN)模型。IRRCNN是一个强大的DCNN模型,它结合了Inception Network(Inception-v4)、Residual Network(ResNet)和Recurrent卷积神经网络(RCNN)的优势。IRRCNN在对象识别任务中表现出优于等效的Inception Networks,Residual Networks和RCNN的性能。在本文中,IRRCNN方法应用于两个公开可用的数据集,包括BreakHis和乳腺癌分类挑战2015的乳腺癌分类。实验结果与现有的机器学习和基于深度学习的方法进行比较,基于图像,基于块,图像级和患者级分类。IRRCNN模型在灵敏度、曲线下面积(AUC)、ROC曲线和全局准确性方面提供了优于现有方法的分类性能。
2018-11-10 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
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
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
Breast cancer detection using artificial intelligence techniques: A systematic literature review
University of Sharjah(沙迦大学)
癌症是对人类最危险的疾病之一,但还没有找到根治的方法。乳腺癌是最常见的癌症类型之一。根据国家乳腺癌基金会的数据,仅在2020年,美国就诊断出超过276,000例浸润性乳腺癌新发病例和超过48,000例非浸润性病例。为了正确看待这些数字,这些病例中有64%在疾病周期的早期被诊断出来,使患者有99%的生存机会。人工智能和机器学习已被有效地用于检测和治疗几种危险疾病,帮助早期诊断和治疗,从而增加患者的生存机会。深度学习旨在分析影响严重疾病检测和治疗的最重要特征。例如,可以使用基因或组织病理学成像来检测乳腺癌。基因水平的分析非常昂贵,因此组织病理学成像是用于检测乳腺癌的最常用方法。在这项研究工作中,我们系统地回顾了以前在深度学习和机器学习的帮助下使用基因测序或组织病理学成像检测和治疗乳腺癌的工作。我们也提供建议,研究人员谁将在这一领域的工作
2022-03-08 cs.AI cs.CV cs.LG
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
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
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
Use of Transfer Learning and Wavelet Transform for Breast Cancer Detection
School of Electrical Engineering and Computer Science, National University of Sciences and Technology(国家科技大学 电气工程与计算机科学学院);Information Technology University (ITU)-Punjab(旁遮普信息技术大学);University of the West of England (UWE)(西英格兰大学)
乳腺癌是妇女死亡的最常见原因之一。乳腺X线摄影是一种广泛使用的成像方式,可用于早期癌症检测。深度学习被广泛用于检测通过乳房X线摄影获得的图像中的癌性肿块。由于数据集的敏感性,提高精度的需求仍然是恒定的,因此我们引入分割和小波变换来增强图像扫描中的重要特征。我们提出的系统通过使用分割和小波变换的组合作为预处理增强,从而在神经网络中进行迁移学习,来帮助放射科医生在癌症检测的筛选阶段。所提出的系统与这些预处理技术显着提高了检测的准确性Mini-MIAS。
2021-03-05 cs.AI cs.CV cs.HC
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
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
Deep Convolutional Neural Networks for Breast Cancer Histology Image Analysis
Neuromation;Massachusetts Institute of Technology(麻省理工学院);Lyft Inc.(Lyft公司);University of Michigan(密歇根大学)
乳腺癌是全球癌症死亡的主要原因之一。早期诊断显著增加了正确治疗和生存的机会,但这个过程是繁琐的,往往导致病理学家之间的分歧。计算机辅助诊断系统显示出提高诊断准确性的潜力。在这项工作中,我们开发了基于深度卷积神经网络的计算方法,用于乳腺癌组织学图像分类。苏木精和伊红染色的乳腺组织学显微镜图像数据集是ICIAR 2018乳腺癌组织学图像大挑战的一部分。我们的方法利用了几种深度神经网络架构和梯度提升树分类器。对于4类分类任务,我们报告87.2%的准确率。对于检测癌的2类分类任务,我们报告了在高灵敏度操作点的93.8%准确度、97.3% AUC和96.5/88.0%灵敏度/特异性。据我们所知,这种方法优于其他常见的方法在自动组织病理学图像分类。我们的方法的源代码可以在https://github.com/alexander-rakhlin/ICIAR2018上公开获得
2018-04-03 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
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
Deep learning-based assessment of tumor-associated stroma for diagnosing breast cancer in histopathology images
Radboud University Medical Center(拉德堡德大学医学中心);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);National Cancer Institute(美国国家癌症研究所);The Harker School(哈克学校);Mayo Clinic(梅奥诊所)
乳腺癌的诊断迄今为止仅限于上皮细胞的形态学解释和上皮组织结构的评估。因此,大多数自动化系统都专注于表征乳腺的上皮区域以检测癌症。在本文中,我们提出了一个系统的分类苏木精和伊红(H&E)染色的乳腺标本的基础上卷积神经网络,主要针对评估肿瘤相关的基质,以诊断乳腺癌患者。我们使用包含646个乳腺组织活检的大型队列评估我们提出的系统的性能。我们的评估表明,所提出的系统实现了0.92的ROC下的面积,证明了以前被忽视的肿瘤相关基质作为诊断生物标志物的区分能力。
2017-02-19 cs.CV
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
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
Novel approach to locate region of interest in mammograms for Breast cancer
University of Mysore(迈索尔大学)
乳腺癌感兴趣区域的定位是医学图像处理中的一个难题。在这项研究工作中,敏锐的想法是有效地提取可疑的肿块区域,以进一步检查。针对这一情况,本文提出了一种基于灰度的乳腺边界分割方法,并结合四叉树分割方法,对分割后的图像进行可疑区域的识别。为了评估性能DDSM标准数据集进行了实验,并取得了可接受的精度。
2018-11-01 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
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
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
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
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。
2019-09-26 cs.CV cs.LG 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
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
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
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
MITOS-RCNN: A Novel Approach to Mitotic Figure Detection in Breast Cancer Histopathology Images using Region Based Convolutional Neural Networks
Monta Vista High School(蒙塔维斯塔高中)
研究估计,仅在2018年就将有266,120例新的浸润性乳腺癌病例和40,920例乳腺癌死亡。尽管这种痛苦普遍存在,但目前获得准确的乳腺癌预后的过程是繁琐和耗时的,需要训练有素的病理学家手动检查组织病理学图像,以确定表征各种癌症严重程度的特征。我们提出MITOS-RCNN:一种新的基于区域的卷积神经网络(RCNN),适用于小目标检测,以准确地对诺丁汉分级系统描述的表征肿瘤交战性的三个因素之一进行分级:有丝分裂计数。有丝分裂像计数和检测的其他计算方法没有表现出足够的召回率或精确度在临床上可行。我们的模型在ICPR 2012挑战赛、AMIDA 2013挑战赛和MITOS-ATYPIA-14挑战赛以及最近发表的作品中的表现优于所有之前的参与者。我们的模型实现了0.955的F-measure得分,比以前提出的最准确的模型的准确性提高了6.11%。
2018-07-04 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 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
A Density-Informed Multimodal Artificial Intelligence Framework for Improving Breast Cancer Detection Across All Breast Densities
Niramai Health Analytix Pvt Ltd(Niramai健康分析私人有限公司);HCG Cancer Hospital(HCG癌症医院)
本研究提出一种密度感知的多模态AI框架,根据乳腺密度动态选择乳腺X线摄影或Thermalytix热成像,在324名女性中实现94.55%的敏感性,优于单模态方法,尤其弥补了致密型乳腺中X线摄影敏感性下降的问题。
2025-10-16 cs.AI cs.CV cs.LG
Improving localization-based approaches for breast cancer screening exam classification
New York University(纽约大学);New York University School of Medicine(纽约大学医学院)
我们训练和评估了一个基于定位的深度CNN,用于超过20万次检查(超过100万张图像)的乳腺癌筛查检查分类。我们的模型在预测经历乳腺癌筛查的患者中的恶性肿瘤方面实现了0.919的AUC,降低了基线的错误率(Wu等人,2019年,23%。此外,该模型为良性和恶性结果生成边界框,提供可解释的预测。
2019-08-01 cs.CV eess.IV stat.ML
Axial Attention Transformer Networks: A New Frontier in Breast Cancer Detection
University of California, Los Angeles(加州大学洛杉矶分校);Washington University in St. Louis(华盛顿大学圣路易斯分校);Johns Hopkins University(约翰斯·霍普金斯大学);Boston University(波士顿大学);Northeastern University(东北大学);Tulane University(杜兰大学)
针对乳腺癌图像中小病灶分割难题,提出一种基于轴向注意力的Transformer分割模型,提升计算效率并捕获全局上下文,显著提高分割精度,助力计算机辅助诊断。
2024-09-18 cs.AI cs.CV cs.LG
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
Reliable Breast Cancer Molecular Subtype Prediction based on uncertainty-aware Bayesian Deep Learning by Mammography
Tarbiat Modares University(塔比亚特·莫达雷斯大学)
本研究提出一种基于不确定性感知贝叶斯深度学习和两阶段分类策略的模型,利用全乳腺X线图像预测乳腺癌分子亚型,在保持可比性能的同时通过量化预测不确定性提升了诊断可靠性。
2024-12-19 cs.CV
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。
2017-07-24 cs.CV cs.LG
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
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
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