SheyofPretoria的博客

细胞核和细胞在组织学图像中的检测在临床和病理研究中都具有重要的价值。然而，由于细胞核或细胞形态的变化等多种原因，使得传统的目标检测方法在许多情况下无法获得满意的性能。检测任务由分类和定位两个子任务组成。在密集目标检测条件下，分类是提高检测性能的关键。考虑到这一点，我们提出了基于相似度的区域生成网络(SRPN)，用于组织图像中细胞核和细胞的检测。特别地，一个被称为嵌入层的自定义卷积层被设计用于网络构建。在区域提议网络中加入嵌入层，使区域提议网络能够基于相似学习学习判别特征。与传统方法相比，通过相似学习获得的.

淋巴结转移是乳腺癌最重要的诊断指标之一，传统上病理医师在显微镜下观察。近年来，计算机化组织学诊断已成为医学图像计算领域发展最快的方向之一，其目的是减轻病理医师的工作量，同时降低误诊率。然而，由于数据规模大，分辨率高，且存在硬模拟，导致大量的误报，从整个幻灯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高效推理，以满足临床实践对速度的要求，同时在不同偏移量下重建密集预测，以确保精确检测微转移和宏观转移。结合异步样本预取和硬负挖掘策略，可以对网络进行.

在全球范围内，乳腺癌的发病率居首位。早期乳腺癌的治疗具有很高的成本效益。0-2期乳腺癌5年生存率超过90%。筛查性乳房x线照相术被认为是早期诊断乳腺癌最可靠的方法。台湾政府一直敦促年龄在45岁至69岁之间、无任何症状的女性每两年进行一次乳房x光检查。这给放射科医生带来了巨大的工作量。有鉴于此，本文提出一种基于深度神经网络(DNN)的模型，作为一种高效可靠的工具，以协助放射科医生进行乳腺x线影像解释。文献中首次将乳房x线照片完全分为BI-RADS 0、1、2、3、4A、4B、4C和5类。本文提出的模型是使用.

基于乳腺成像报告和数据系统(BI-RADS)和密度标准，先进的深度学习(DL)算法可以预测患者患乳腺癌的风险。最近的研究表明，多视角分析的结合改善了乳腺检查的整体分类。在本文中，我们提出了一种新的多视角DL方法用于BI-RADS和乳腺x线片密度评估。该方法首先在每个视图上分别部署深度卷积网络进行特征提取。然后，提取的特征被堆叠起来，并送入光梯度提升机(LightGBM)分类器来预测BI-RADS和密度分数。我们在内部乳房x线照相术数据集和公共数据集上进行了大量的实验。实验结果表明，该方法在两个基准数据集上.