托比-马奎尔-CSDN博客

原创 4.20.1 深度神经网络提高放射科医生在乳腺癌筛查中的表现

BI-RADS分类是根据乳腺肿瘤恶性的可能性大小来对肿瘤进行分级，主要分为0~6级，共7个级别，可以评价乳腺病变程度，级别越高，恶性的程度也会越高。

2024-04-22 17:46:42 692

原创使用深度卷积神经网络进行 ImageNet 分类

大数据集包括 LabelMe（由数十万张完全分割的图像组成）和 ImageNet（由 22,000 多个类别的超过 1500 万张带标签的高分辨率图像组成）CNN就是这样一类模型，它们的容量可以通过改变深度和广度来控制，并且它们还对图像的性质（即统计的平稳性和像素依赖性的局部性）做出强有力且基本正确的假设。与具有类似大小层的标准前馈神经网络相比，CNN的连接和参数要少得多，更容易训练。

2024-04-17 16:02:15 726

原创基于深度学习的乳腺癌淋巴结转移预测模型（E-Transformer）

乳腺癌细胞淋巴结转移是界定乳腺癌早中期的重要标准，需要活检，患者体验较差。传统的图像辅助诊断需要手动提取特征、组合图像特征，效率低下、效果不佳。新兴的基于深度学习的图像辅助诊断，利用卷积神经网络通过全连接层或机器学习自动分割病灶、提取图像特征，并自动组合特征对癌症进行分类，为临床医生的诊断和治疗方案提供了新思路。但癌细胞是否有淋巴结转移在乳腺钼靶摄影中差异不大，难以区分，属于细粒度图像分类的问题。

2024-04-16 21:17:52 966

原创基于变压器的手持式超声图像中乳腺病变的分类不一致性测量表征

超声成像作为一种替代的低成本、易于获取的非电离成像方式已显示出巨大的前景，可用于乳腺癌筛查。特别是，随着最近便携式设备的出现，超声检查预计将在中低收入国家中越来越普及。然而，超声成像在乳腺癌诊断中的可靠性高度依赖于操作超声医师和检查放射科医生的经验。为了解决这一限制，人们开发了计算机辅助诊断（CAD）工具来标准化超声测试。深度学习技术的进步使得肿瘤检测、分割和分类等任务实现自动化。卷积神经网络（CNN）在区分良性和恶性乳腺病变方面，通过结合从超声图像中提取的放射组学特征进一步提高此类模型的性能。

2024-04-16 19:27:29 871

原创数字乳腺癌组织病理学图像分类的Vision Transformer及其变体

Vision Transformer作为一种基于自注意力机制的高效图像分类工具被提出。近年来出现了基于Poolingbased Vision Transformer (PiT)、卷积视觉变压器(CvT)、CrossFormer、CrossViT、NesT、MaxViT和分离式视觉变压器(SepViT)等新模型。它们被用于BreakHis和IDC数据集上的图像分类，用于数字乳腺癌组织病理学。在BreakHis上训练之后，他们在IDC上进行微调，以测试他们的泛化能力。

2024-04-16 14:10:52 880

原创 ViT-DeiT:用于乳腺癌组织病理图像分类的集成模型

两种预训练Vision Transformer模型的集成模型，即Vision Transformer和数据高效视觉Transformer（Data-Efficient Image Transformer）。此集成模型是一种软投票模型。近年来，乳腺癌的分类研究主要集中在超声图像分类、活检数据分类、组织病理图像分类。Transformer广泛应用于自然语言处理（NLP），Transformer模型的结构包括编码器和解码器，。ViT结构仅由用于图像处理的编码器组成。

2024-04-14 17:19:34 721

原创 DCET-Net：用于乳腺癌组织病理学图像分类的双流卷积扩展变压器（ Dual-Stream Convolution Expanded Transformer ）

由于局部性的归纳偏差，CNN无法有效提取乳腺癌组织病理图像的全局特征信息，限制了分类结果的提高。本文合理地引入了纯 Transformer 的额外主干流，该主干流由自注意力机制组成，用于捕获组织病理学图像的全局感受野，从而补偿 CNN 主干的局部性特征。基于CNN和Transformer的两个主干流，提出了一种称为DCET-Net的双流网络，它同时考虑局部特征和全局特征，并逐步将这两个流中的它们组合起来形成最终的分类表示。

2024-04-14 14:57:58 640

原创使用深度学习集成模型进行乳腺癌组织病理学图像分类

基于预训练的VGG16和VGG19架构训练了四种不同的模型（即完全训练的 VGG16、微调的 VGG16、完全训练的 VGG19 和微调的 VGG19 模型最初，我们对所有单独的模型进行了5倍交叉验证操作。然后，我们采用集成策略，取预测概率的平均值，发现微调的 VGG16 和微调的 VGG19 的集成表现出有竞争力的分类性能，尤其是在癌症类别上。

2024-04-12 20:45:35 805

原创利用弱监督定位的高分辨率乳腺癌筛查图像的可解释分类器

医学图像在很多方面与典型的自然图像不同，例如更高的分辨率和更小的投资回报率。此外，全局结构和局部细节在医学图像的分类中都起着至关重要的作用。一种新颖的框架 GMIC，用于对高分辨率筛查乳房 X 光照片进行分类。GMIC 首先在整个图像上应用低容量但内存高效的全局模块来提取全局上下文并生成显著性图，以提供可能的良性/恶性发现的粗略定位。然后，它识别图像中信息最丰富的区域，并利用具有更高容量的本地模块从所选区域中提取细粒度的视觉细节。

2024-04-11 21:09:28 1149

原创具有可变形注意力的Vision Transformer

Vision Transformer堆叠多个Transformer块来处理不重叠的图像（即视觉标记）序列，从而形成用于图像分类的无卷积模型。与CNN模型相比，Transformer模型具有更大的感受野，并且擅长对远程依赖关系进行建模，事实证明在大量训练数据和模型参数的情况下可以实现优异的性能。视觉识别中的过多注意力是一把双刃剑，每个查询补丁需要参与的键数量过多会导致计算成本高、收敛速度慢，并且增加过度拟合的风险。

2024-04-10 17:35:46 831

原创计算机视觉中各种归一化算法

归一化算法是对激活函数的输入进行归一化将feature map shape设为[N,C,H,W]，其中N表示batch size，C表示通道数，H、W分别表示特征图的高度、宽度。

2024-04-09 17:58:10 1398 1

原创乳腺癌诊断的集成自注意力Transformer编码器

内科医生和放射科医生建议使用多种方法来发现乳腺癌，包括数字乳房x线摄影(DM)、超声(US)和磁共振成像(MRI)。CAD系统与乳腺x线影像结合，可提供乳腺密度、形状及肿块、钙化等疑似异常的相关信息。卷积神经网络(CNN)是最常用的深度学习方法。他们的端到端技术从输入图像中预测有意义和相关的属性。由于CNN技术可以自动从输入图像中提取特征，因此优于传统方法，因此在图像分类研究领域得到了更广泛的应用。

2024-04-09 16:38:41 938

原创基于逻辑回归和支持向量机的前馈网络进行乳腺癌组织病理学图像分类

CNN（卷积神经网络）通过使用反向传播方法来学习特征，这种方法需要大量的训练数据，并且存在梯度消失问题，从而恶化了特征学习。

2024-04-08 16:07:46 1129

原创基于Swin Transformers的乳腺癌组织病理学图像多分类

乳腺癌的非侵入性诊断程序涉及体检和成像技术，如乳房X光检查、超声检查和磁共振成像。成像程序对于更全面地评估癌症区域和识别癌症亚型的敏感性较低。CNN表现出固有的归纳偏差，并且对于图像中感兴趣对象的平移、旋转和位置有所不同。因此，通常在训练CNN模型时应用图像增强。Swin Transformer是视觉转换器的变体，基于非重叠移位窗口的概念，是一种用于各种视觉检测任务的成熟方法。用于分类任务的VIT实现全局自我注意力，其中计算图像补丁和所有其他补丁之间的关联。

2024-04-07 12:13:49 896

原创基于Vision Transformer的迁移学习在乳腺X光图像分类中的应用

乳房X线摄影(MG)在乳腺癌的早期发现中起着重要作用。MG可以在早期阶段发现乳腺癌，即使是感觉不到肿块的小肿瘤。基于卷积神经网络(CNN)的DL最近吸引了MG的大量关注，因为它有助于克服CAD系统的限制(假阳性、不必要的辐射暴露、无意义的活组织检查、高回调率、更高的医疗费用和更多的检查次数)。当其应用在整个乳房X光图像时，由于在不同特征级别的多重卷积，CNN的计算代价很高。首先聚焦于图像的特定区域，而不是整个图像，逐渐为整个图像建立特征。

2024-04-06 21:10:10 1006

原创 Breast Cancer Classification from Digital Pathology Images via Connectivity-aware Graph Transformer

一种新的连通性感知图形转换器（CGT），用于对从数字病理图像构建的组织图的拓扑连通性进行表现，用于乳腺癌分类

2024-04-06 16:55:16 998

原创 SaTransformer：用于乳腺癌分类和分割的Semantic-aware Transformer

语义感知转换器（Semantic-aware Transformer）建立每个像素之间的相关性，用于全局结构和内容信息的提取。利用乳腺癌的全局结构的内容信息SaTransformer具有较少的内存和计算复杂度来提取全局信息的优势SaTransformer可以很容易地扩展到其他任务

2024-04-05 18:51:07 1276

原创深度学习方法；乳腺癌分类

乳腺癌的类型很多，但大多数常见的是浸润性导管癌、导管原位癌和浸润性小叶癌。浸润性导管癌(IDC)是最常见的乳腺癌类型。

2024-04-05 12:57:11 780

原创基于Vision Transformer变换的超声图像分类增强乳腺癌诊断

从零开始训练CNN结构的基线方法；用超声图像进一步训练预先训练的VGG16 CNN结构的转移方法；调整深度学习参数以克服过拟合的微调学习方法。

2024-04-02 12:19:10 891

原创视觉Transformer和Swin Transformer

ViT的基本结构：①输入图片首先被切分为固定尺寸的切片；②对展平的切片进行线性映射（通过矩阵乘法对维度进行变换）；③为了保留切片的位置信息，在切片送入Transformer编码器之前，对每个切片加入位置编码信息；④Transformer编码器由L个Transformer模块组成，每个模块由层归一化（LN）、多头自注意力模块（MHSA）、多层感知机（MLP）及残差连接等构成；多层感知机（MLP）其中，和分别表示第个模块中MHSA和MLP的输出特征。

2024-04-01 21:40:38 799

原创 U-net在乳腺癌医学图像分割方面的应用

通过旋转、反转、剪切图像对乳腺医学图像进行数据增强之后，可以提高模型的准确性。但是当前简单的分割和几何变换在医疗图像数据中不会简单使用，而是会集合生成对抗网络（GAN）结合使用。使用生成对抗网络生成合成图像，以扩展数据集并生成具有多样性的图像。GANs还可用于生成医疗图像的假象。

2024-04-01 14:47:33 951

原创具有模糊相对位置的Transformer用于超声诊断乳腺癌

一种新的模糊相对位置编码（FRPC）Transformer用于腺癌癌诊断中的乳腺超声（BUS）图像分类。提出的FRPC 利用Transformer中的自注意力机制，结合模糊相对位置编码来捕获BUS图像的全局和局部特征。

2024-03-30 16:22:26 1155

原创小样本情况下医学图像分类

数据增强、基于度量学习、基于元学习数据增强通过扩充训练集的样本数目和增强数据的多样性来提高模型的学习能力。数据增强的操作有：旋转、翻转、裁剪和给图像添加噪声。同时还有一种特征增强的方式：通过一个编码器-解码器网络将样本的特征映射到另一个与输入特征具有不同属性强度的合成特征。增强的信息没有脱离固有的样本范围，模型对于样本的依赖比较大。基于度量学习是学习一个衡量两个输入数据之间相似度函数S（，）。两个相似的样本会得到更高的度量分数。可以是简单的距离度量方法，也可以是复杂的神经网络或其他可行的模块。

2024-03-29 12:15:16 888

原创基于Transformer的医学图像分类研究

医学图像分类目前面临的挑战医学图像分类需要研究人员同时具备医学图像分析和数字图像的知识背景。由于图像尺度、数据格式和数据类别分布的影响，现有的模型方法，如传统的机器学习的识别方法和基于深度卷积神经网络的方法，取得的识别准确度和泛化性是有限的。现有的医学图像分类方法核心思想是寻找给定两个类别之间的最优分离边界基于神经网络的分类模式是目前主流的医学图像分类方式，它也可以分为有监督和无监督两种方式。有监督的情况下，训练神经网络使得它为每个输入数据分配一个类别标签。

2024-03-28 21:11:15 1346

原创人工智能课程小结

①终叶节点是可解节点（因为它们与本原问题相关连）②如果某个非终叶节点含有或后继节点，那么只要当其后继节点至少有一个是可解的时候，此非终叶节点才是可解的③如果某个非终叶节点含有与后继节点，那么只有当其后继节点全部为可解时，此非终叶节点才是可解的①没有后裔的非终叶节点为不可解节点②全部后裔为不可解的非终叶节点且含有或后继节点，此非终叶节点才是不可解的③后裔至少有一个为不可解的非终叶节点且含有与后继节点，此非终叶节点才是不可解的。

2024-03-27 19:02:15 976 1

原创人工智能的决策树介绍

决策树基于“树”结构进行决策学习过程：通过对训练样本的分析来确定“划分属性”（即内部结点所对应的属性）预测过程：将测试示例从根结点开始，沿着划分属性所构成的“判定测试序列”下行，直到叶结点。

2024-03-27 19:00:04 760

原创面向图像分类的视觉Transformer

一种面向对象分类的视觉Transformer，即ViT。该模型避免了卷积带来的归纳偏置，弥补了卷积神经网络在超长周期建模的不足。1、DeiT（data-efficient image transformer）采用了知识蒸馏策略（将大型模型的复杂知识（包括其中的泛化能力和细节知识）传递给小型模型，使得小型模型能够在有限的数据集上达到与大型模型相当的性能），使得视觉Transformer能够学习归纳偏差

2024-03-27 16:08:00 747

原创多层级深度特征融合的乳腺癌图像分类

Transformer模型现有的乳腺癌病理图像深度学习分类研究多是依托卷积神经网络（convolutional neural networks，CNN），利用CNN强大特征提取能力来提升乳腺癌病理图像分类精度在研究工作早期，主要是将在大规模自然图像数据集上的预训练 CNN 模型作为特征提取器来捕获病理图像深度特征，采用传统机器学习模型构造分类器对深度特征分类。其中，ZEROUAOUI等人探索了多个CNN模型和机器学习分类器的结合研究，结果表明使用。

2024-03-26 11:36:34 1018