Malaria detection in Segmented Blood Cell using Convolutional Neural Networks and Canny Edge Detection
Leading University(领先大学);Clemson University(克莱姆森大学)
我们应用卷积神经网络从薄血涂片切片图像中识别疟疾感染和未感染的分割细胞。我们优化了我们的模型,以发现疟疾细胞检测的准确率超过95%。我们还应用Canny图像处理来减少训练文件的大小,同时保持相当的准确率(~ 94%)。
2022-02-21 cs.CV cs.LG eess.IV
A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification
Jagannath University(贾格纳特大学);Green University of Bangladesh(孟加拉国绿色大学)
本文提出混合特征融合深度学习框架,结合InceptionV3/EfficientNetB3/MobileNetV2与GRU,并通过贝叶斯优化和深度集成不确定性量化,在ALL-IDB1和ALL-IDB2数据集上实现高精度白血病检测。
2024-10-18 cs.CV eess.IV
Perineural Invasion Detection in Multiple Organ Cancer Based on Deep Convolutional Neural Network
Shiraz University of Technology(设拉子科技大学);National Brain Mapping Laboratory(国家脑图谱实验室)
恶性肿瘤细胞的神经浸润(PNI)已被报道为各种癌症预后不良的独立指标。在载玻片上评估小神经中的PNI是一项劳动密集型任务。在这项研究中,我们提出了一种算法来检测神经浸润的结肠癌,前列腺癌和胰腺癌的卷积神经网络(CNN)的基础上。
2021-10-23 cs.CV eess.IV
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
Stool Recognition for Colorectal Cancer Detection through Deep Learning
Carnegie Mellon University(卡内基梅隆大学);London School of Economics and Political Science(伦敦政治经济学院);DSO National Laboratories Singapore(新加坡DSO国家实验室)
本文提出一种基于深度学习的粪便识别神经网络,通过粪便图像判断是否带血以辅助结直肠癌早期检测,并利用DiffAugment StyleGAN2生成图像扩充数据,将分类准确率提升至94%,最终部署于Poolice移动应用。
2024-10-19 cs.CV cs.LG eess.IV
Convolutional Neural Networks based Focal Loss for Class Imbalance Problem: A Case Study of Canine Red Blood Cells Morphology Classification
Faculty of Information Technology, King Mongkut's Institute of Technology Ladkrabang(泰国国王科技大学拉卡邦校区信息技术学院)
本文针对犬红细胞形态分类中的类别不平衡问题,提出将卷积神经网络与焦点损失函数相结合的方法,并通过双CNN和5折交叉验证证明其相比交叉熵损失能有效提升F1分数、减少对多数类的偏向。
2020-01-10 cs.CV eess.IV
Convolutional Neural Network and decision support in medical imaging: case study of the recognition of blood cell subtypes
Ecole Supérieure Polytechnique, Université cheikh Anta Diop(谢赫·安塔·迪奥普大学高等理工学院);Institut national Supérieur de l’Education Populaire et du Sport, Université cheikh Anta Diop(谢赫·安塔·迪奥普大学国家高等民众教育与体育学院);Faculté de Médecine, de Pharmacie et d’Odonto-Stomatologie, Université cheikh Anta Diop(谢赫·安塔·迪奥普大学医学、药学与牙科学院)
识别和表征患者的血液样本在诊断可疑的恶性肿瘤中是必不可少的。在实验室中,人工分类白细胞是一项艰苦的,有时是主观的任务。作为深度学习的神经数学方法在血细胞的自动识别中非常有用。这项研究使用了一种特殊类型的深度学习,即,卷积神经网络(CNN或ConvNets)用于四(4)种血细胞类型(嗜中性粒细胞、嗜酸性粒细胞、淋巴细胞和单核细胞)的图像识别,并使其能够使用具有相应细胞类型的标签的血细胞数据集来标记它们。数据库的元素是我们的CNN的输入,它们允许我们为血细胞的图像识别/分类创建学习模型。我们评估了网络学习的识别性能和输出,以实现能够区分多核细胞(中性粒细胞和嗜酸性粒细胞)与单核细胞(淋巴细胞和单核细胞)的神经图像识别模型。验证准确率为97.77%。
2020-10-22 cs.CV cs.LG eess.IV
Self-supervised learning of a tailored Convolutional Auto Encoder for histopathological prostate grading
Universitat Politècnica de València(瓦伦西亚理工大学);University of Stavanger(斯塔万格大学);Tyris Tech S.L.(泰里斯科技有限公司)
根据GLOBOCAN 2020,前列腺癌是全球男性第二大常见癌症,也是第四大流行癌症。对于病理学家来说,前列腺癌的分级是具有挑战性的,特别是在区分3级(G3)和4级(G4)时。本文提出了一种自监督学习(SSL)框架,分类前列腺组织病理图像时,标记的图像是稀缺的。特别地,训练定制的卷积自动编码器(CAE)以重建128x128x3块前列腺癌全载玻片图像(WSI)作为借口任务。所提出的SSL范例的下游任务是前列腺癌的组织病理学补丁的自动分级。所提出的框架在验证集上报告了令人鼓舞的结果,获得了83%的总体准确度,在测试集上获得了76%的总体准确度值,G4中的F1得分为77%。
2023-03-21 cs.CV eess.IV
Deep Learning Algorithms for Early Diagnosis of Acute Lymphoblastic Leukemia
The American College of Greece(希腊美国学院);National & Kapodistrean University of Athens(雅典国立卡波季斯特里安大学);Biomedical Research Foundation, Academy of Athens(雅典科学院生物医学研究基金会)
针对急性淋巴细胞白血病早期镜检识别难的问题,提出基于卷积神经网络的二值图像分类模型,在含10661张图像的数据集上达94.3%准确率,可辅助血液科医生诊断。
2024-07-14 cs.CV cs.LG eess.IV
Automatic Classification of White Blood Cell Images using Convolutional Neural Network
National University of Sciences and Technology (NUST)(国立科技大学(NUST))
本文提出一种基于卷积神经网络的框架,用于自动分类四种白细胞,在Kaggle和LISC数据集上分别达到99.57%和98.67%的准确率,性能优于ResNet-50等预训练模型。
2024-10-14 cs.CV cs.LG eess.IV
BloodCell-Net: A lightweight convolutional neural network for the classification of all microscopic blood cell images of the human body
Khulna University of Engineering and Technology(库尔纳工程技术大学);Bangladesh Atomic Energy Regulatory Authority(孟加拉国原子能监管局);Zarqa University(扎尔卡大学);Northumbria University(诺森比亚大学);Bangabandhu Sheikh Mujibur Rahman Science and Technology University(班加班杜谢赫穆吉布尔·拉赫曼科技大学);Northern Border University(北方边境大学)
针对人工血细胞分类耗时易错的问题,提出基于U-Net分割和分水岭分离、结合轻量级CNN的BloodCell-Net,实现九类血细胞分类,准确率达97.10%。
2024-04-01 cs.AI cs.CV eess.IV
Classification of Histopathology Images of Lung Cancer Using Convolutional Neural Network (CNN)
癌症是人体内异常细胞无法控制的细胞分裂,可扩散到其他身体器官。它是非传染性疾病(NCD)之一,NCD占全球总死亡人数的71%,而肺癌是女性乳腺癌之后第二大诊断癌症。肺癌的生存率只有19%。肺癌的诊断有多种方法,如X线、CT扫描、PET-CT扫描、支气管镜检查和活检。然而,基于组织类型H和E染色来了解肺癌的亚型被广泛使用,其中染色是在从活检抽吸的组织上进行的。有研究报道,组织学类型与肺癌的预后和治疗有关。因此,肺癌组织学的早期和准确检测是迫切需要的,并且由于其治疗取决于组织学类型,分子谱和疾病的阶段,因此分析肺癌的组织病理学图像是最重要的。因此,为了加快肺癌诊断的重要过程并减轻病理学家的负担,使用了深度学习技术。这些技术在分析癌症的组织病理学载玻片中显示出改进的功效。几项研究报告了卷积神经网络(CNN)在各种癌症类型(如脑癌、皮肤癌、乳腺癌、肺癌、结直肠癌)的组织病理学图像分类中的重要性。本研究使用ResNet 50、VGG-19、Inception_ResNet_V2和DenseNet对肺癌图像(正常、腺癌和鳞状细胞癌)进行三类分类,用于特征提取和三重丢失,以指导CNN,从而增加类间距离并减少类内距离。
2021-12-27 cs.CV eess.IV
Automatic Diagnosis of Malaria from Thin Blood Smear Images using Deep Convolutional Neural Network with Multi-Resolution Feature Fusion
BUET(孟加拉国工程技术大学)
疟疾是一种威胁生命的疾病,每年在世界各地感染数百万人,需要更快的诊断,以便在任何损害发生之前进行适当的治疗。本文提出了一种基于端到端深度学习的方法,通过对从不同感受野提取的特征进行有效优化,从薄血涂片图像中快速诊断疟疾。首先,提出了一种高效的、高度可扩展的深度神经网络,称为DilationNet,其通过改变卷积的膨胀率来从不同的接收区域提取特征,从而结合来自大光谱的特征。接下来,将原始图像重新采样为各种分辨率,以引入感受野的变化,这些变化用于独立优化针对不同分辨率图像缩放的不同形式的DilationNet。然后,引入了一种特征融合方案,用于联合优化这些在不同观测水平上运行的单独训练的网络的特征空间。DilationNets的各种形式的所有卷积层被优化以从不同分辨率的图像中提取空间特征,这些卷积层被直接转移以从任何图像中提供多样化的特征空间。随后,在DeepFusionNet中对这些空间特征进行联合优化,以提取样本图像的最相关表示。该方案提供了通过改变观察水平来广泛地探索特征空间以准确地诊断异常的机会。在公开数据集上进行的密集实验显示出出色的性能,准确率超过99.5%,优于其他最先进的方法。
2020-12-09 cs.CV eess.IV
Explainable AI Technique in Lung Cancer Detection Using Convolutional Neural Networks
Kathford International College of Engineering and Management(卡斯福德国际工程与管理学院)
本文提出了一种结合可解释性机制的深度学习框架,用于利用卷积神经网络进行肺癌筛查,提升了诊断的准确性和透明度。
2026-01-06 cs.CV eess.IV
3D Convolutional Neural Networks for Stalled Brain Capillary Detection
Institute for Design Problems in Microelectronics of Russian Academy of Sciences(俄罗斯科学院微电子设计问题研究所);Shenzhen Research Institute of Big Data(深圳大数据研究院);University of Michigan(密歇根大学);Cork University Hospital(科克大学医院)
充足的血液供应对正常的大脑功能至关重要。脑血管系统功能障碍,如脑毛细血管中血流停滞,与阿尔茨海默病的认知能力下降和发病机制有关。成像技术的最新进展使得能够生成可用于可视化停滞血管的高质量3D图像。然而,在3D图像中定位失速血管通常需要作为下游分析的第一步,这在手动完成时可能是繁琐、耗时且容易出错的。在这里,我们描述了一种基于深度学习的方法,用于基于3D卷积神经网络自动检测大脑图像中停滞的毛细血管。我们的网络采用自定义3D数据增强,并使用来自预训练的2D模型的权重转移进行初始化。我们使用了几个3D模型的集合来生成Clog Loss的获奖作品:用Stall Catchers机器学习竞赛推进阿尔茨海默氏症研究,该竞赛挑战参与者将3D图像堆栈中的血管分类为停滞或流动。在这种情况下,我们的方法优于其他方法,并证明了最先进的结果,达到0.85马修斯相关系数,85%的灵敏度和99.3%的特异性。我们的解决方案的源代码是公开的。
2022-02-14 cs.CV eess.IV
A Normalized Fully Convolutional Approach to Head and Neck Cancer Outcome Prediction
Polytechnique Montréal(蒙特利尔综合理工学院)
在医学成像中,不同模态的放射扫描用于增强用于临床诊断和治疗规划的不同特征集。这种多样性丰富了可用于结果预测的源信息。深度学习方法特别适合从图像等高维输入中提取特征。在这项工作中,我们将一个CNN分类网络与一个FCN预处理器子网络扩展到一个公共TCIA头颈癌数据集。训练目标是基于治疗前FDG PET-CT扫描(在4家不同医院采集)对放射治疗病例的生存预测。我们表明,预处理器子网络与聚合残差连接相结合,导致改进的最先进的结果时,结合CT和PET输入图像。
2020-05-29 cs.CV eess.IV
Encoding Clinical Priori in 3D Convolutional Neural Networks for Prostate Cancer Detection in bpMRI
Radboud University Medical Center(拉德堡德大学医学中心)
我们假设解剖先验可以是可行的媒介,将特定领域的临床知识注入到基于U-Net架构的最先进的卷积神经网络(CNN)中。我们引入了一个概率性的人口之前,捕获的空间患病率和分区区分的临床意义上的前列腺癌(csPCa),以提高其计算机辅助检测(CAD)的双参数磁共振成像(bpMRI)。为了评估性能,我们使用800个机构训练验证扫描,结合放射学估计的注释和我们计算的先验,对U-Net、U-SEResNet、UNet++和Attention U-Net的3D适应进行训练。对于200个具有组织学证实的csPCa描绘的独立测试bpMRI扫描,我们提出的编码临床先验的方法证明了在所有四种架构中提高基于患者的诊断(AUROC增加高达8.70%)和病变水平检测(每例患者0.1-10个假阳性之间平均增加1.08 pAUC)的强大能力。
2021-09-21 cs.CV eess.IV
Implementation of Convolutional Neural Network Architecture on 3D Multiparametric Magnetic Resonance Imaging for Prostate Cancer Diagnosis
Research Computing Center at the University of Chicago(芝加哥大学研究计算中心)
前列腺癌是男性癌症死亡的最常见原因之一。在临床实践中,对促进当前标准前列腺癌风险评估的非侵入性和准确诊断方法的需求不断增长。尽管如此,在多参数磁共振图像的前列腺癌诊断中开发计算机辅助分类工具仍然是一个挑战。在这项工作中,我们提出了一种新的深度学习方法,通过构建一个基于两阶段多模态多流卷积神经网络(CNN)的架构框架,对相应的磁共振图像中的前列腺病变进行自动分类。在没有实施复杂的图像预处理步骤或第三方软件的情况下,我们的框架实现了分类性能,受试者工作特征(ROC)曲线下面积为0.87。结果优于大多数提交的方法,并分享了PROSTATEx挑战组织者报告的最高值。我们提出的基于CNN的框架反映了在前列腺癌中辅助医学图像解释和减少不必要的活检的潜力。
2021-12-29 cs.CV cs.LG eess.IV
Computer Aided Detection and Classification of mammograms using Convolutional Neural Network
本研究提出基于卷积神经网络(CNN)的方法,利用DDSM数据集对乳腺X线摄影图像进行特征提取与正常/异常分类,以辅助乳腺癌早期检测。
2024-09-04 cs.CV eess.IV
Convolutional Restricted Boltzmann Machine Based-Radiomics for Prediction of Pathological Complete Response to Neoadjuvant Chemotherapy in Breast Cancer
Guizhou University(贵州大学);CNRS(法国国家科学研究中心);Inserm(法国国家健康与医学研究院);INSA Lyon(里昂国立应用科学学院)
我们提出了一种新的基于卷积限制玻尔兹曼机CRBM的放射组学方法,用于预测乳腺癌新辅助化疗治疗(NACT)的病理完全缓解(pCR)。该方法包括从CRBM网络中提取语义特征和pCR预测。对57例患者的动态增强磁共振成像(DCE-MRI)数据进行评估,并使用受试者工作特征曲线下面积(AUC)。传统的放射组学特征和CRBM网络学习的语义特征提取前和后的NACT管理获得的图像。在特征选择之后,训练支持向量机(SVM)、逻辑回归(LR)和随机森林(RF)来预测pCR状态。与传统的放射组学方法相比,所提出的基于CRBM的放射组学方法对于NACT之前和之后获取的图像的预测产生了0.92的AUC,并且对于预处理预测产生了0.87的AUC,其增加了约38%。结果表明,基于CRBM的放射组学方法为乳腺癌治疗前准确预测pCR/NACT提供了一种潜在的手段,对于制定更合适、更个性化的治疗方案非常有用。
2019-05-23 cs.CV eess.IV
Deep 3D Convolutional Neural Network for Automated Lung Cancer Diagnosis
Amity School of Engineering and Technology, Amity University(阿米提大学阿米提工程技术学院);Dr. Ram Manohar Lohia Awadh University(拉姆·马诺哈尔·洛希亚博士阿瓦德大学)
计算机辅助诊断已成为一个不可或缺的技术,以验证放射科医生的意见,在CT解释。本文提出了一种用于基于CT扫描的自动肺癌检测系统的深度3D卷积神经网络(CNN)架构。它利用三维空间信息来学习高度区分的三维特征,而不是需要手动生成的纹理或几何形状等二维特征。提出的深度学习方法基于时空统计自动提取3D特征。开发的模型是端到端的,能够预测给定输入扫描的每个体素的恶性程度。仿真结果表明,尽管计算能力有限,所提出的三维CNN网络用于肺结节分类的有效性。
2019-05-04 cs.CV eess.IV
BCNet: A Deep Convolutional Neural Network for Breast Cancer Grading
Islamic Azad University(伊斯兰阿扎德大学);Kharazmi University of Tehran(德黑兰哈拉兹米大学);Islamic Azad University Science and Research Branch(伊斯兰阿扎德大学科学与研究分校)
乳腺癌已成为影响全世界人民的最常见的癌症之一,并对人类特别是妇女构成严重威胁。为了提供这种癌症的有效治疗或预防,早期阶段的疾病诊断将是非常重要的。已经有各种方法来检测这种疾病,其中使用图像必须发挥主导作用。深度学习最近在不同的科学领域得到了广泛的应用,尤其是医学领域。在乳腺癌检测问题中,已经在不同的数据集上开发了一些不同的深度学习技术,并取得了良好的准确性。在这篇文章中,我们的目标是提出一个深度神经网络模型来分类来自Databaseox图像数据集的组织病理学图像,作为该图像数据库的第一个应用程序。我们提出的BCNet模型利用了迁移学习方法,其中从可用的相关模型中选择VGG16作为特征提取器。此外,为了解决数据不足的问题,我们采用了数据增强技术来扩展输入数据集。本研究中的所有实现,从预处理操作到描述模型架构图,都是使用tf.keras API进行的。作为建议的模型执行的结果,88%的显着验证精度和72%的评价精度。
2021-07-11 cs.CV eess.IV
Segmentation of Blood Vessels, Optic Disc Localization, Detection of Exudates and Diabetic Retinopathy Diagnosis from Digital Fundus Images
Heritage Institute of Technology(遗产理工学院);Tata Consultancy Services(塔塔咨询服务公司)
糖尿病视网膜病变(DR)是一种长期存在的、未经检查的糖尿病的并发症,也是世界上致盲的主要原因之一。本文重点介绍了改进和鲁棒的方法来提取DR的一些特征,即血管和渗出物。血管分割使用多个形态学和阈值操作。对于渗出液的分割,使用k均值聚类和轮廓检测的原始图像。执行广泛的降噪以从血管分割算法的结果中去除假阳性。利用k-均值聚类和模板匹配进行视盘定位。最后,本文提出了一种具有14个卷积层和2个全连接层的深度卷积神经网络(DCNN)模型,用于DR的自动二元诊断。血管分割,视盘定位和DCNN的准确率分别为95.93%,98.77%和75.73%。源代码和预训练模型可在https://github.com/Sohambasu07/DR_2021上获得
2022-07-09 cs.CV eess.IV
CrossFusion: A Multi-Scale Cross-Attention Convolutional Fusion Model for Cancer Survival Prediction
University of Washington(华盛顿大学);University of California, Los Angeles(加州大学洛杉矶分校)
提出CrossFusion多尺度特征融合框架,通过交叉注意力机制整合不同放大倍数下的病理图像块,显著提升六种癌症的生存预测准确性。
2026-06-24 cs.CV eess.IV
Classification of Breast Cancer Lesions in Ultrasound Images by using Attention Layer and loss Ensembles in Deep Convolutional Neural Networks
University of Malaya(马来亚大学);University of Tehran(德黑兰大学)
对乳腺超声图像中的良恶性病变进行可靠的分类,可以为乳腺癌的早期诊断提供一种有效且成本相对较低的方法。然而,诊断的准确性在很大程度上取决于超声系统的质量和用户(放射科医生)的经验。深度卷积神经网络方法的杠杆作用为乳腺超声图像的有效分析提供了解决方案。在这项研究中,我们提出了一个新的框架,乳腺癌病变的分类使用的注意模块修改VGG16架构。我们还提出了新的综合损失函数,该函数是二进制交叉熵和双曲余弦损失的对数的组合,以改善分类病变与其标签之间的模型差异。网络从预先训练的ImageNet权重中训练,随后使用超声数据集进行微调。本研究中提出的模型优于其他修改的VGG16架构,准确率为93%,并且结果与其他最先进的乳腺癌病变分类框架具有竞争力。在这项研究中,我们采用了迁移学习方法和预训练的VGG16架构。训练用于分类任务的不同CNN模型来预测乳腺超声图像中的良性或恶性病变。我们的实验结果表明,损失函数的选择是非常重要的分类任务,通过添加一个注意力块,我们可以提高我们的模型的性能。
2021-02-23 cs.CV eess.IV
A study on Deep Convolutional Neural Networks, Transfer Learning and Ensemble Model for Breast Cancer Detection
Daffodil International University(达福迪尔国际大学)
本研究比较六种 CNN 架构、迁移学习与集成模型在乳腺癌检测中的表现,发现集成模型准确率最高达 99.94%,而迁移学习未带来提升。
2024-09-10 cs.CV eess.IV
Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example
SouthWest JiaoTong University(西南交通大学);University of Southampton(南安普顿大学);Trine University(特里恩大学);Hong Kong University of Science and Technology(香港科技大学)
针对乳腺癌病理诊断依赖人工、耗时且存在主观性的问题,提出基于Inceptionv3架构与迁移学习的CNN分类方法,结合图像分块与概率聚合策略,在BreaKHis数据集四种放大倍数下准确率均超0.92,提升了病理图像分类效率与精度。
2024-04-12 cs.CV cs.LG eess.IV
Classification of Skin Cancer Images using Convolutional Neural Networks
Netaji Subhas University of Technology(内塔吉·苏巴斯理工大学)
皮肤癌是最常见的人类恶性肿瘤(美国癌症协会),其主要通过视觉诊断,从初始临床筛查开始,然后可能进行皮肤镜(与皮肤相关)分析,活检和组织病理学检查。当皮肤细胞的DNA发生错误(突变)时,就会发生皮肤癌。突变导致细胞生长失控,形成大量癌细胞。本研究的目的是尝试在卷积神经网络的帮助下对皮肤病变图像进行分类。深度神经网络在图像分类方面显示出巨大的潜力,同时考虑到环境所表现出的巨大变化性。在这里,我们根据像素值训练图像,并根据疾病标签对其进行分类。该数据集是从开源Kaggle存储库(Kaggle数据集)获得的,该数据集本身是从ISIC(国际皮肤成像合作组织)档案馆获得的。训练是在多个模型上进行的,并伴随着迁移学习。模型的最高精度达到86.65%以上。所使用的数据集是公开的,以确保上述结果的可信度和可重复性。
2022-02-01 cs.CV cs.LG eess.IV
Prostate Cancer Detection using Deep Convolutional Neural Networks
Lunenfeld-Tanenbaum Research Institute(卢嫩菲尔德-塔南鲍姆研究所);Sinai Health System(西奈卫生系统);University of Toronto(多伦多大学);Sunnybrook Research Institute(桑尼布鲁克研究所)
前列腺癌是最常见的癌症之一,也是北美癌症死亡的第三大原因。作为计算机辅助检测(CAD)工具的一个组成部分,弥散加权磁共振成像(DWI)已被深入研究,以准确检测前列腺癌。随着深度卷积神经网络(CNN)在目标检测和分割等计算机视觉任务中的重大成功,不同的CNN架构在医学成像研究界越来越多地被研究,作为设计更准确的癌症检测CAD工具的有前途的解决方案。在这项工作中,我们开发并实现了一个自动化的基于CNN的管道,用于检测给定轴向DWI图像和每位患者的临床显著前列腺癌(PCa)。427例患者的DWI图像被用作数据集,其中包括175例PCa患者和252例健康患者。为了测量所提出的管道的性能,将108名(共427名)患者的测试集放在一边,并且不在训练阶段使用。在切片水平和患者水平,申报管道的受试者工作特征曲线下面积(AUC)分别为0.87(95%置信区间(CI):0.84-0.90)和0.84(95% CI:0.76-0.91)。
2019-05-30 cs.CV eess.IV q-bio.QM
Sickle Cell Disease Severity Prediction from Percoll Gradient Images using Graph Convolutional Networks
Helmholtz Zentrum München - German Research Center for Environmental Health(慕尼黑亥姆霍兹中心 - 德国环境健康研究中心);Technical University of Munich(慕尼黑工业大学);University of Zurich(苏黎世大学);Johns Hopkins University(约翰斯·霍普金斯大学)
镰状细胞病(SCD)是一种严重的遗传性血红蛋白紊乱,导致红细胞过早破坏。疾病严重程度的评估是临床常规中一项具有挑战性的任务,因为尽管存在常见的遗传原因,但SCD表现的广泛差异的原因仍不清楚。识别可预测严重程度的生物标志物对于预后和评估患者对治疗的反应性具有重要意义。通过分离Percoll密度梯度检测红细胞(RBC)密度的变化可能是这样的标记,因为它允许解决细胞间的差异,并遵循最容易破坏和血管闭塞的受损致密细胞。从Percoll梯度中的RBC分布获得的图像的定量和所获得的图像的解释是建立这种方法的重要先决条件。在这里,我们提出了一种新的方法相结合的图形卷积网络,卷积神经网络,快速傅里叶变换,递归特征消除预测SCD的严重程度直接从Percoll图像。两个重要但昂贵的实验室血液测试参数测量用于训练图卷积网络。为了使模型在预测过程中不受这些测试的影响,这两个参数直接由Percoll图像的神经网络估计。在216名受试者的队列中,我们实现的预测性能仅略低于使用地面实况实验室测量的方法。我们提出的方法是第一个计算方法的SCD严重程度预测的困难任务。这种两步法仅依赖于廉价和简单的血液分析工具,并且可以对医疗器械和医生有限的欠发达国家的患者生存产生重大影响
2021-09-11 cs.CV eess.IV
High-risk Factor Prediction in Lung Cancer Using Thin CT Scans: An Attention-Enhanced Graph Convolutional Network Approach
Renmin University of China(中国人民大学);Capital Medical University(首都医科大学);Beijing Chao-Yang Hospital(北京朝阳医院);Beijing Institute of Respiratory Medicine(北京呼吸疾病研究所)
本研究针对肺癌术前CT高危因素识别难题,提出结合通道与空间注意力的AE-GCN模型,以结节切片为图顶点捕捉空间特征,经真实临床数据验证有效,可辅助术前术式选择。
2023-08-27 cs.CV eess.IV
Classification of Prostate Cancer in 3D Magnetic Resonance Imaging Data based on Convolutional Neural Networks
Institut für Medizinische Informatik, Universität zu Lübeck(吕贝克大学医学信息学研究所);FUSE-AI GmbH, Hamburg(汉堡FUSE-AI有限公司);Cantonal Hospital Aarau, Aarau (CH)(阿劳州立医院)
针对前列腺癌诊断耗时且依赖专业人员的问题,研究评估并训练了多款适配3D MRI数据的CNN模型,在私有数据集上ResNet3D取得最优分类性能。
2024-04-16 cs.CV cs.LG eess.IV
Automatic Polyp Segmentation Using Convolutional Neural Networks
University of Saskatchewan(萨斯喀彻温大学);University of Stanford(斯坦福大学)
结直肠癌是世界范围内仅次于肺癌和乳腺癌的第三大常见癌症相关死亡。在结肠镜检查中早期诊断息肉可以降低患结直肠癌的风险。计算机辅助诊断系统有可能应用于息肉筛查并减少遗漏息肉的数量。在本文中,我们比较了不同深度学习架构作为特征提取器的性能,即ResNet,DenseNet,InceptionV 3,InceptionResNetV 2和SE-ResNeXt在U-Net架构的编码器部分。我们在CVC-Clinic(GIANA 2018)数据集上验证了所提出的集成模型的性能。DenseNet 169特征提取器结合U-Net架构的性能优于其他同类产品,其准确率为99.15%,Dice相似系数为90.87%,Jaccard指数为83.82%。
2020-04-22 cs.CV cs.LG 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
Integration of Convolutional Neural Networks for Pulmonary Nodule Malignancy Assessment in a Lung Cancer Classification Pipeline
Eurecat, Centre Tecnològic de Catalunya(加泰罗尼亚技术中心 Eurecat);Universitat Pompeu Fabra(庞培法布拉大学);ICREA
恶性肺结节的早期识别对于更好的肺癌预后和微创化疗或放疗至关重要。放射科医生所做的恶性肿瘤评估对于计划预防性干预非常有用,但不幸的是,这是一项复杂,耗时且容易出错的任务。这解释了缺乏包含放射科医生结节恶性特征的大型数据集。在这篇文章中,我们建议通过3D卷积神经网络评估结节恶性程度,并将其整合到自动化的端到端肺癌检测现有管道中。出于训练和测试目的,我们使用了LIDC数据集的独立子集。在基线肺癌管道中添加结节恶性的概率将其F1加权评分提高了14.7%,而使用转移学习整合恶性模型本身的F1加权评分超过了基线预测的11.8%。尽管肺癌数据集的大小有限,但整合结节恶性肿瘤的预测模型可以提高肺癌的预测。
2019-12-18 cs.CV cs.LG eess.IV
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
Unmasking Biases and Reliability Concerns in Convolutional Neural Networks Analysis of Cancer Pathology Images
研究通过分析13个常用癌症数据集,发现CNN在无临床信息的裁剪图像上仍能保持高准确率,揭示了评估方法可能存在的偏见问题。
2026-03-12 cs.AI cs.CV cs.LG
Improving Malaria Parasite Detection from Red Blood Cell using Deep Convolutional Neural Networks
North South University(北南大学);Bangladesh University of Engineering and Technology(孟加拉国工程技术大学);Military Institute of Science and Technology(军事科学技术学院)
疟疾是一种由雌性按蚊叮咬造成的危及生命的疾病,被认为是世界许多地区的地方病。本文的重点是通过引入深度卷积神经网络来改进从红细胞涂片的显微图像分割的斑块的疟疾检测。与使用繁琐的手工工程特征提取的传统方法相比,所提出的方法在端到端的安排中使用深度学习,直接从红血涂片的原始分割块执行特征提取和分类。本研究中使用的数据集来自美国国立卫生研究院,名为NIH疟疾数据集。评估指标准确性和损失以及5倍交叉验证用于比较和选择性能最佳的架构。为了最大限度地提高性能,现有的标准预处理技术的文献也进行了实验。此外,还实现和测试了其他几个复杂的体系结构,以选择性能最佳的模型。还进行了一个坚持测试,以验证所提出的模型如何推广看不见的数据。我们最好的模型达到了近97.77%的准确率。
2019-07-23 cs.LG eess.IV stat.ML
Automated Detection of Acute Lymphoblastic Leukemia Subtypes from Microscopic Blood Smear Images using Deep Neural Networks
City University(城市大学)
据估计,每年有30万例新的白血病病例被诊断出来,占所有新癌症病例的2.8%,而且患病率正在日益上升。最危险和致命的白血病类型是急性淋巴细胞白血病(ALL),它影响所有年龄组的人,包括儿童和成人。在这项研究中,我们提出了一个自动化系统,使用深度神经网络(DNN)从显微镜血液涂片图像中检测各种形状的ALL原始细胞。该系统可以以98%的准确率检测ALL细胞的多种亚型。此外,我们已经开发了一个远程诊断软件,提供实时支持,以诊断所有亚型从显微镜血涂片图像。
2022-07-30 cs.AI cs.CV cs.LG
Classification of Informative Frames in Colonoscopy Videos Using Convolutional Neural Networks with Binarized Weights
结直肠癌是美国常见的癌症之一。息肉是结肠癌的主要原因之一,早期发现息肉将增加癌症治疗的机会。在本文中,我们提出了一种新的分类信息帧的基础上,卷积神经网络与二值化的权重。所提出的CNN是用结肠镜检查帧以及帧的标签作为输入数据来训练的。我们还使用二值化的权重和内核来减小CNN的大小,使其适合在医疗硬件中实现。我们使用Asu Mayo Test诊所数据库评估我们提出的方法,该数据库包含不同患者的结肠镜检查视频。我们提出的方法达到了骰子得分为71.20%,使用上述数据集的准确率超过90%。
2018-02-05 eess.IV
Performance Comparison of Balanced and Unbalanced Cancer Datasets using Pre-Trained Convolutional Neural Network
Zonguldak Bulent Ecevit University(宗古尔达克·比伦特·埃杰维特大学)
癌症是全世界的主要死亡原因之一。乳腺癌是一种常见的癌症疾病,尤其是在女性中,非常常见。用于早期检测这种癌症类型的最重要工具是通过活检拍摄的组织病理学图像,这需要一个漫长的过程来建立明确的诊断。这些获得的图像由病理学家检查,并作出明确的诊断。在计算机的帮助下检测这个过程是很常见的。良性或恶性肿瘤的检测,特别是通过使用不同放大率的数据,发生在文献中。在这项研究中,通过使用BreakHis数据集中的组织病理学数据,形成了两个不同的平衡和不平衡研究组。我们已经研究了平衡和不平衡数据集在检测肿瘤类型时的性能如何变化。总之,在使用InceptionV3卷积神经网络模型进行的研究中,对于平衡数据,获得了93.55%的准确率,99.19%的召回率和87.10%的特异性值,而对于不平衡数据,获得了89.75%的准确率,82.89%的召回率和91.51%的特异性值。根据在两个不同的研究中获得的结果,数据的平衡增加了整体性能以及良性和恶性肿瘤的检测性能。可以说,在以平衡方式创建的数据集的帮助下训练的模型将为病理学专家提供更高和准确的结果。
2020-12-10 cs.CV cs.LG eess.IV
Blood Oxygen Saturation Estimation from Facial Video via DC and AC components of Spatio-temporal Map
NEC Corporation(日本电气股份有限公司)
本文提出基于CNN和时空图直流/交流分量的面部视频SpO2估计方法,在50名受试者数据上优于现有最先进方法。
2023-05-14 cs.CV eess.IV eess.SP
C2P-GCN: Cell-to-Patch Graph Convolutional Network for Colorectal Cancer Grading
Rensselaer Polytechnic Institute(伦斯勒理工学院);NYU Grossman School of Medicine(纽约大学格罗斯曼医学院)
针对现有基于图的结直肠癌组织学图像分级方法无法捕捉全切片整体结构、需大量训练数据的问题,提出两阶段的C2P-GCN,通过构建斑块级和图像级双层图整合全片结构,在更少训练数据下实现更优的分级效果。
2024-05-13 cs.CV cs.LG eess.IV
GroupMixer: Patch-based Group Convolutional Neural Network for Breast Cancer Detection from Histopathological Images
K.N. Toosi University of Technology(KN图西理工大学)
本文提出GroupMixer,一种结合补丁嵌入与分组卷积的高效CNN,用于组织病理图像乳腺癌检测,在减少参数的同时达到高准确率。
2023-11-16 cs.CV cs.LG eess.IV
O-Net: A Convolutional Neural Network for Quantitative Photoacoustic Image Segmentation and Oximetry
利用光谱光声成像技术估计血氧含量是一种很有前途的生物医学应用工具。为了使这种方法定量,它依赖于组织中光通量的准确方法。这在异质组织深处是困难的,在异质组织中,不同波长的光可以经历显著不同的衰减。在这项工作中,我们开发了一种新的深度神经网络,可以同时估计血管中的氧饱和度并将血管与周围的背景组织分割开来。该网络的训练估计初始压力分布从三维蒙特卡罗模拟光传输在乳腺组织。该网络在不到50 ms的时间内估计血管SO2,中位误差低至5.1%,分割准确率高于95%。总体而言,这些结果表明,可以以高精度实时定量地映射血氧。
2019-11-05 eess.IV physics.med-ph
Automated Prostate Cancer Diagnosis Based on Gleason Grading Using Convolutional Neural Network
使用组织学图像的Gleason分级系统是前列腺癌最有力的诊断和预后预测因子。目前的标准检查是由病理学家评估Gleason H& E染色的组织病理学图像。然而,它是复杂的,耗时的,并受到观察员。基于深度学习(DL)的自动学习图像特征并实现更高泛化能力的方法引起了人们的极大关注。然而,仍然存在挑战,特别是使用DL来训练整个载玻片图像(WSI),其是当前诊断环境中的主要临床来源,包含数十亿像素、形态异质性和伪影。因此,我们提出了一种基于卷积神经网络(CNN)的自动分类方法,用于使用整个切片组织病理学图像对PCa进行准确分级。本文提出了一种基于块的图像重建(PBIR)的数据增强方法,以降低WSI的高分辨率,增加WSI的多样性。此外,还开发了分布校正(DC)模块,通过调整数据分布来增强预训练模型对目标数据集的适应性。此外,提出了二次加权均方误差(QWMSE)函数,以减少由于欧氏距离相等而造成的误诊。我们的实验表明,PBIR、DC和QWMSE函数的组合对于实现卓越的专家级性能是必要的,从而获得最佳结果(0.8885二次加权kappa系数)。
2020-11-29 cs.CV eess.IV stat.ML
Towards accurate quantitative photoacoustic imaging: learning vascular blood oxygen saturation in 3D
重要性:2D全卷积神经网络已经被示出能够从简单组织模型的2D模拟图像产生sO $_2$的图。然而,它们在体内产生准确估计的潜力是不确定的,因为当问题本质上是3D时,它们受到训练数据的2D性质的限制,并且它们没有用真实图像进行测试。目标:证明深度神经网络处理整个3D图像并从真实组织模型/图像输出血管sO $_2$的3D图的能力。方法:训练两个独立的完全卷积神经网络,以从组织模型的多波长模拟图像中生成血管血氧饱和度和血管位置的3D图。结果如下:40例样本的真实平均血管sO $_2$与网络输出之间的绝对差平均值为4.4%,标准差为4.5%。结论:3D完全卷积网络被示出能够使用在模拟真实成像场景的条件下生成的3D图像内包含的全部空间信息来产生精确的sO $_2$图。这项工作表明,网络可以处理实像中存在的一些混淆效应,如有限视图伪影,并有可能在体内产生准确的估计。
2020-05-03 eess.IV physics.med-ph
Detection, growth quantification and malignancy prediction of pulmonary nodules using deep convolutional networks in follow-up CT scans
Eurecat Centre Tecnològic de Catalunya(加泰罗尼亚技术中心);Universitat Pompeu Fabra(庞培法布拉大学);Vall d'Hebron University Hospital(瓦尔德希布伦大学医院);ICREA(加泰罗尼亚高级研究院)
我们解决的问题,支持放射科医生在肺癌的纵向管理。因此,我们提出了一个深度学习管道,由四个阶段组成,通过检测结节中的生长,从结节的检测到癌症的分类完全自动化。此外,管道采用了一种新的结核生长检测方法,该方法依赖于最近的分层概率U-网络,该网络经过调整以报告不确定性估计。此外,还引入了第二种新方法用于肺癌结节分类,将来自预训练结节恶性网络的估计结节恶性概率集成到双流3D-CNN网络中。在纵向队列中对管道进行了评价,并报告了与最新技术水平相当的性能。
2021-03-26 cs.CV cs.LG eess.IV
Enhancing Breast Cancer Diagnosis in Mammography: Evaluation and Integration of Convolutional Neural Networks and Explainable AI
Salim Habib University(萨利姆哈比布大学)
本研究提出结合卷积神经网络与可解释AI的集成框架,利用CBIS-DDSM数据集和迁移学习增强乳腺癌诊断,并通过Hausdorff测度评估XAI解释与专家标注的一致性,提升AI辅助诊断的可信度与临床集成。
2024-04-27 cs.AI cs.CV cs.LG
CerviXpert: A Multi-Structural Convolutional Neural Network for Predicting Cervix Type and Cervical Cell Abnormalities
Daffodil International University(达福迪尔国际大学);University of North Texas(北德克萨斯大学)
本研究提出多结构卷积神经网络 CerviXpert,通过精简架构从零训练,在 SiPaKMeD 数据集上高效分类宫颈类型并检测细胞异常,准确率达 98.60% 和 98.04%,在保持高准确率的同时显著降低计算复杂度,适用于资源受限环境下的宫颈癌早期筛查。
2024-11-18 cs.AI cs.CV eess.IV
Using convolutional neural networks for the classification of breast cancer images
本研究比较了12种CNN和4种硬件加速设备在两个公开乳腺癌组织图像数据集上的分类表现,发现增加模型深度可提升性能但非线性增加训练时间,完全重训优于迁移学习,微调超参数使最佳模型达到SOTA水平。
2024-04-29 eess.IV q-bio.QM
Polyp Segmentation in Colonoscopy Images Using Fully Convolutional Network
结直肠癌是癌症相关死亡的最高原因之一,尤其是在男性中。息肉是结直肠癌的主要原因之一,通过结肠镜检查早期诊断息肉可能导致成功的治疗。由于息肉的大小和形状的变化,在结肠镜检查视频中诊断息肉是一项具有挑战性的任务。本文提出了一种基于卷积神经网络的息肉分割方法。该方法的性能提高了两个战略。首先,我们在网络的训练阶段执行一种新的图像块选择方法。其次,在测试阶段,我们对网络生成的概率图进行有效的后处理。使用CVC-ColonDB数据库的评估表明,我们提出的方法实现了更准确的结果与以前的结肠镜视频分割方法相比。
2018-02-01 eess.IV
Proposing method to Increase the detection accuracy of stomach cancer based on colour and lint features of tongue using CNN and SVM
胃癌是当今世界上影响人们生活的疾病之一。早期发现和准确性是发现这种癌症的主要和关键挑战。提出了一种基于深度卷积神经网络和支持向量机的舌苔颜色特征的癌症诊断方法。该方法首先利用{deep RCNN} \color{black}递归卷积神经网络(R-CNN)\color{black}从人脸图像中分离出舌头区域。在必要的预处理之后,将图像提供给卷积神经网络,并且触发训练和测试操作。结果表明,该方法能够正确地识别舌头的区域以及患者的人从非患者。根据实验,与其他深度架构相比,DenseNet网络具有最高的准确性。实验结果表明,该网络对胃癌检测的准确率达到91%,与现有方法相比具有明显的优越性。
2020-11-18 cs.NE eess.IV
Acute Lymphoblastic Leukemia Detection Using Hypercomplex-Valued Convolutional Neural Networks
University of Campinas(坎皮纳斯大学)
本文提出基于超复数代数的卷积神经网络(HvCNNs)用于血液涂片淋巴细胞分类以辅助诊断急性淋巴细胞白血病,实验表明其在参数更少的情况下准确率优于实数值模型,基于Clifford代数处理HSV图像的HvCNN在ALL-IDB2数据集上达96.6%准确率,接近最先进水平。
2022-05-26 cs.CV cs.LG cs.NE