检索结果-维普期刊中文期刊服务平台

基于卷积神经网络的乳腺癌组织病理学图像分类研究综述被引量：5: 1; 作者张喜科马志庆 +1 位作者赵文华崔冬梅《计算机科学》 CSCD 北大核心 2022年第S02期362-370,共9页; 乳腺癌组织病理学检查是确诊乳腺癌的“金标准”。基于卷积神经网络的乳腺癌组织病理学图像分类已经成为医学图像处理与分析领域的研究热点之一。自动且精确的乳腺癌组织病理学图像分类在临床上具有重要的应用价值。首先介绍了两个目前... 展开更多; 关键词乳腺癌组织病理学图像图像分类卷积神经网络; 在线阅读下载PDF 职称材料

多特征融合的乳腺癌组织病理学图像识别的方法被引量：3: 2; 作者乔世昌胡红萍 +1 位作者郝岩白艳萍《重庆理工大学学报（自然科学）》 CAS 北大核心 2022年第2期135-141,共7页; 乳腺癌是全球女性常见的癌症类型之一,严重影响了女性的健康,乳腺癌组织病理学图像的识别已成为医学图像处理领域的研究热点。针对Bioimaging 2015数据集进行乳腺癌组织病理学图像的识别研究,将该数据集分为癌类与非癌类2种。实验提取... 展开更多; 关键词乳腺癌组织病理学图像灰度共生矩阵颜色自动相关图; 在线阅读下载PDF 职称材料

全局感知与稀疏特征关联图像级弱监督病理图像分割: 3; 作者张印辉张金凯 +4 位作者何自芬刘珈岑吴琳李振辉陈光晨《电子与信息学报》 EI CAS CSCD 北大核心 2024年第9期3672-3682,共11页; 弱监督语义分割方法可以节省大量的人工标注成本,在病理全切片图像(WSI)的分析中有着广泛应用。针对弱监督多实例学习(MIL)方法在病理图像分析中存在的像素实例相互独立缺乏依赖关系,分割结果局部不一致和图像级标签监督信息不充分的问... 展开更多; 关键词弱监督语义分割组织病理学图像多实例学习全局感知稀疏特征; 在线阅读下载PDF 职称材料

基于生成对抗网络的低分化宫颈癌病理图像分类被引量：1: 4; 作者李晨张家伟 +1 位作者张昊汪茜《东北大学学报（自然科学版）》 EI CAS CSCD 北大核心 2020年第7期1054-1060,1064,共8页; 使用生成对抗网络(GAN)扩充宫颈癌病理图像的数据集以提高计算机辅助诊断的准确率.首先,使用GAN进行细胞质部分图像生成;其次,使用两次k-means聚类对生成图像进行筛选;最后,使用Inception-V3模型对数据集进行分类训练.结果表明,在测试... 展开更多; 关键词宫颈癌辅助诊断组织病理学图像分类生成对抗网络特征提取 K-MEANS聚类; 在线阅读下载PDF 职称材料

融合空间和通道特征的高精度乳腺癌分类方法被引量：1: 5; 作者许学斌张佳达 +2 位作者刘伟路龙宾赵雨晴《计算机应用》 CSCD 北大核心 2021年第10期3025-3032,共8页; 组织病理学图像是鉴别乳腺癌的黄金标准,所以对乳腺癌组织病理学图像的自动、精确的分类具有重要的临床应用价值。为了提高乳腺组织病理图像的分类准确率,从而满足临床应用的需求,提出了一种融合空间和通道特征的高精度乳腺癌分类方法... 展开更多; 关键词深度学习乳腺癌组织病理学图像图像分类特征融合压缩和激励网络(SENet); 在线阅读下载PDF 职称材料

题名基于卷积神经网络的乳腺癌组织病理学图像分类研究综述被引量：5: 1; 作者张喜科马志庆赵文华崔冬梅; 机构山东中医药大学智能与信息工程学院; 出处《计算机科学》 CSCD 北大核心 2022年第S02期362-370,共9页; 基金山东省研究生教育质量提升计划课题(SDYJG19143) 山东中医药大学2019年教育教学研究重点课题(ZYZ2019009) 山东中医药大学研究阐释党的十九届四中全会精神专项课题(SZQH202009); 文摘乳腺癌组织病理学检查是确诊乳腺癌的“金标准”。基于卷积神经网络的乳腺癌组织病理学图像分类已经成为医学图像处理与分析领域的研究热点之一。自动且精确的乳腺癌组织病理学图像分类在临床上具有重要的应用价值。首先介绍了两个目前广泛应用于乳腺癌组织病理学图像分类的公开数据集及各自的评价标准。然后,重点阐述了卷积神经网络在两个数据集上的研究进展。在描述研究进展的过程中,分析了部分模型准确率较低的原因,并对提升模型性能给出了一些建议。最后,讨论了乳腺癌组织病理学图像分类目前存在的问题及对未来的展望。; 关键词乳腺癌组织病理学图像图像分类卷积神经网络; Keywords Breast cancer Histopathological image Image classification Convolutional neural networks; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程] TP391.41 [自动化与计算机技术—计算机应用技术] R737.9 [医药卫生—肿瘤]; 在线阅读下载PDF 职称材料

题名多特征融合的乳腺癌组织病理学图像识别的方法被引量：3: 2; 作者乔世昌胡红萍郝岩白艳萍; 机构中北大学理学院中北大学信息与通信工程学院; 出处《重庆理工大学学报（自然科学）》 CAS 北大核心 2022年第2期135-141,共7页; 基金山西省回国留学人员科研项目(2020-104) 山西省重点研发计划项目(201903D121156) +3 种基金山西省基础研究计划项目(20210302123019)。; 文摘乳腺癌是全球女性常见的癌症类型之一,严重影响了女性的健康,乳腺癌组织病理学图像的识别已成为医学图像处理领域的研究热点。针对Bioimaging 2015数据集进行乳腺癌组织病理学图像的识别研究,将该数据集分为癌类与非癌类2种。实验提取了乳腺癌组织病理学图像染色分离后4个方向上的灰度共生矩阵特征、小波特征及Tamura纹理特征,并根据颜色自动相关图提取了原始图像的颜色特征,同时也提取了染色分离前水平方向上的灰度共生矩阵特征作为纹理信息的补充,最后将提取到的特征进行融合,并输入到支持向量机分类器中,以实现乳腺癌组织病理学图像的识别,识别准确率达到了83.33%。; 关键词乳腺癌组织病理学图像灰度共生矩阵颜色自动相关图; Keywords breast cancer histopathological image gray level co-occurrence matrix color auto-correlogram; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名全局感知与稀疏特征关联图像级弱监督病理图像分割: 3; 作者张印辉张金凯何自芬刘珈岑吴琳李振辉陈光晨; 机构昆明理工大学机电工程学院云南省肿瘤医院病理科云南省肿瘤医院放射科; 出处《电子与信息学报》 EI CAS CSCD 北大核心 2024年第9期3672-3682,共11页; 基金国家自然科学基金(62061022,62171206)。; 文摘弱监督语义分割方法可以节省大量的人工标注成本,在病理全切片图像(WSI)的分析中有着广泛应用。针对弱监督多实例学习(MIL)方法在病理图像分析中存在的像素实例相互独立缺乏依赖关系,分割结果局部不一致和图像级标签监督信息不充分的问题,该文提出一种全局感知与稀疏特征关联图像级弱监督的端到端多实例学习方法(DASMob-MIL)。首先,为克服像素实例之间的独立性,使用局部感知网络提取特征以建立局部像素依赖,并级联交叉注意力模块构建全局信息感知分支(GIPB)以建立全局像素依赖关系。其次,引入像素自适应细化模块(PAR),通过多尺度邻域局部稀疏特征之间的相似性构建亲和核,解决了弱监督语义分割结果局部不一致的问题。最后,设计深度关联监督模块(DAS),通过对多阶段特征图生成的分割图进行加权融合,并使用权重因子关联损失函数以优化训练过程,以降低弱监督图像级标签监督信息不充分的影响。DASMob-MIL模型在自建的结直肠癌数据集YN-CRC和公共弱监督组织病理学图像数据集LUAD-HistoSeg-BC上与其他模型相比展示出了先进的分割性能,模型权重仅为14 MB,在YN-CRC数据集上F1 Score达到了89.5%,比先进的多层伪监督(MLPS)模型提高了3%。实验结果表明,DASMob-MIL仅使用图像级标签实现了像素级的分割,有效改善了弱监督组织病理学图像的分割性能。; 关键词弱监督语义分割组织病理学图像多实例学习全局感知稀疏特征; Keywords Weakly supervised semantic segmentation Histopathological images Multi-Instance Learning(MIL) Global perception Sparse features; 分类号 TN911.73 [电子电信—通信与信息系统] TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于生成对抗网络的低分化宫颈癌病理图像分类被引量：1: 4; 作者李晨张家伟张昊汪茜; 机构东北大学医学与生物信息工程学院辽宁省肿瘤医院中国医科大学附属肿瘤医院; 出处《东北大学学报（自然科学版）》 EI CAS CSCD 北大核心 2020年第7期1054-1060,1064,共8页; 基金国家自然科学基金资助项目(61806047,81902676) 中央高校基本科研业务费专项资金资助项目(N2019003).; 文摘使用生成对抗网络(GAN)扩充宫颈癌病理图像的数据集以提高计算机辅助诊断的准确率.首先,使用GAN进行细胞质部分图像生成;其次,使用两次k-means聚类对生成图像进行筛选;最后,使用Inception-V3模型对数据集进行分类训练.结果表明,在测试集相同的情况下,该方法可以将总体分类准确率提升约2. 5%,尤其对低分化宫颈癌病理图像有显著效果.通过GAN解决了组织病理学图像无方向性、内容复杂、前景目标规则性差等问题,证明了该方法的有效性及发展潜力.; 关键词宫颈癌辅助诊断组织病理学图像分类生成对抗网络特征提取 K-MEANS聚类; Keywords auxiliary diagnosis for cervical cancer histopathological image classification generative adversarial networks(GAN) feature extracting k-means clustering; 分类号 TP737.33 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名融合空间和通道特征的高精度乳腺癌分类方法被引量：1: 5; 作者许学斌张佳达刘伟路龙宾赵雨晴; 机构西安邮电大学计算机学院陕西省网络数据分析与智能处理重点实验室(西安邮电大学); 出处《计算机应用》 CSCD 北大核心 2021年第10期3025-3032,共8页; 基金国家自然科学基金面上项目(61673316) 陕西省重点研发计划项目(2017GY-071,2018GY-135) +3 种基金陕西省教育厅项目(16JK1697) 西安邮电大学研究生创新基金资助项目(CXJJLY202004)。; 文摘组织病理学图像是鉴别乳腺癌的黄金标准,所以对乳腺癌组织病理学图像的自动、精确的分类具有重要的临床应用价值。为了提高乳腺组织病理图像的分类准确率,从而满足临床应用的需求,提出了一种融合空间和通道特征的高精度乳腺癌分类方法。该方法使用颜色归一化来处理病理图像并使用数据增强扩充数据集,基于卷积神经网络(CNN)模型DenseNet和压缩和激励网络(SENet)融合病理图像的空间特征信息和通道特征信息,并根据压缩-激励(SE)模块的插入位置和数量,设计了三种不同的BCSCNet模型,分别为BCSCNetⅠ、BCSCNetⅡ、BCSCNetⅢ。在乳腺癌癌组织病理图像数据集(BreaKHis)上展开实验。通过实验对比,先是验证了对图像进行颜色归一化和数据增强能提高乳腺的分类准确率,然后发现所设计的三种乳腺癌分类模型中精度最高为BCSCNetⅢ。实验结果表明,BCSCNetⅢ的二分类准确率在99.05%~99.89%,比乳腺癌组织病理学图像分类网络(BHCNet)提升了0.42个百分点;其多分类的准确率在93.06%~95.72%,比BHCNet提升了2.41个百分点。证明了BCSCNet能准确地对乳腺癌组织病理图像进行分类,同时也为计算机辅助乳腺癌诊断提供了可靠的理论支撑。; 关键词深度学习乳腺癌组织病理学图像图像分类特征融合压缩和激励网络(SENet); Keywords deep learning breast cancer histopathological image image classification feature fusion Squeeze-and-Excitation Network(SENet); 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于卷积神经网络的乳腺癌组织病理学图像分类研究综述	张喜科马志庆赵文华崔冬梅	《计算机科学》 CSCD 北大核心	2022	5	在线阅读下载PDF 职称材料
2	多特征融合的乳腺癌组织病理学图像识别的方法	乔世昌胡红萍郝岩白艳萍	《重庆理工大学学报（自然科学）》 CAS 北大核心	2022	3	在线阅读下载PDF 职称材料
3	全局感知与稀疏特征关联图像级弱监督病理图像分割	张印辉张金凯何自芬刘珈岑吴琳李振辉陈光晨	《电子与信息学报》 EI CAS CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
4	基于生成对抗网络的低分化宫颈癌病理图像分类	李晨张家伟张昊汪茜	《东北大学学报（自然科学版）》 EI CAS CSCD 北大核心	2020	1	在线阅读下载PDF 职称材料
5	融合空间和通道特征的高精度乳腺癌分类方法	许学斌张佳达刘伟路龙宾赵雨晴	《计算机应用》 CSCD 北大核心	2021	1	在线阅读下载PDF 职称材料