对最近深度学习的趋势进行调查,以从基因病理学图像中对核细分进行深度学习
Anusua Basu1, Pradip Senapati1, Mainak Deb2
1Department of Computer Science and Application, Midnapore College (Autonomous), Paschim Medinipur, Midnapore, West Bengal India.
Evolving systems
|April 16, 2024
概括
这项调查审查了核细分的深度学习在组织病理学图像中. 它强调了U-Net,SCPP-Net,Sharp U-Net和LiverNet等模型,分析了它们在癌症诊断中的性能和应用.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 人工智能的人工智能
背景情况:
- 细胞核细分对于癌症的诊断,分期和在组织病理学中的分级至关重要.
- 叠加的核在准确的图像分析中构成重大挑战.
- 深度学习在解决复杂的细分任务方面表现出高效.
研究的目的:
- 使用深度学习系统地调查核细分技术.
- 涵盖2017年至2021年该领域的进展.
- 分析和比较核心细分的突出的深度学习模型.
主要方法:
- 核心细分研究的系统文献综述.
- 专注于包括U-Net,SCPP-Net,Sharp U-Net和LiverNet在内的深度学习模型.
- 对模型相似性,优势,数据集和新兴研究趋势的分析.
主要成果:
- 深度学习模型已经显示了核细分精度的显著改善.
- U-Net及其变体被广泛采用和有效.
- 使用各种数据集,正在进行的研究探索新的架构和应用.
结论:
- 深度学习是基因组病理学中核细分的强大工具.
- 需要继续进行研究,以应对重叠核等挑战,并提高模型通用性.
- 这项调查为计算病理学研究人员提供了全面的概述.
