พื้นที่เก็บข้อมูลนี้มีซอร์สโค้ดสำหรับรายงานของเรา YNet ซึ่งได้รับการยอมรับให้ตีพิมพ์ในงาน MICCAI'18
Y-Net ระบุเนื้อเยื่อที่จำแนกอย่างถูกต้องซึ่งไม่สำคัญสำหรับการวินิจฉัย ตัวอย่างเช่น สโตรมาถูกระบุว่าเป็นเนื้อเยื่อที่สำคัญ แต่เลือดไม่ใช่ Stroma เป็นฉลากเนื้อเยื่อที่สำคัญสำหรับการวินิจฉัยมะเร็งเต้านม [1] และการลบข้อมูลเกี่ยวกับสโตรมาทำให้ความแม่นยำในการจำแนกการวินิจฉัยลดลงประมาณ 4% ดูกระดาษสำหรับรายละเอียดเพิ่มเติม
[1] เบ็ค, แอนดรูว์ เอช. และคณะ "การวิเคราะห์ทางสัณฐานวิทยาของมะเร็งเต้านมอย่างเป็นระบบเผยให้เห็นคุณลักษณะของสโตรมัลที่เกี่ยวข้องกับการอยู่รอด" เวชศาสตร์การแปลทางวิทยาศาสตร์ 3.108 (2011): 108ra113-108ra113.
ผลการแบ่งส่วนบางส่วน (ซ้าย: RGB WSI, กลาง: ความจริงภาคพื้นดิน, ขวา: การคาดการณ์โดย Y-Net)
YNet ได้รับการฝึกอบรมในสองขั้นตอน:
หากต้องการเรียกใช้โค้ดนี้ คุณต้องมีไลบรารีต่อไปนี้:
เราแนะนำให้ใช้อนาคอนด้า เราได้ทดสอบโค้ดของเราบน Ubuntu 16.04 แล้ว
หาก Y-Net มีประโยชน์สำหรับการวิจัยของคุณ โปรดอ้างอิงรายงานของเรา
@inproceedings{mehta2018ynet,
title={{Y-Net: Joint Segmentation and Classification for Diagnosis of Breast Biopsy Images}},
author={Sachin Mehta and Ezgi Mercan and Jamen Bartlett and Donald Weaver and Joann Elmore and Linda Shapiro},
booktitle={International Conference on Medical image computing and computer-assisted intervention},
year={2018},
organization={Springer}
}
@article{mehta2018espnet,
title={ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation},
author={Sachin Mehta, Mohammad Rastegari, Anat Caspi, Linda Shapiro, and Hannaneh Hajishirzi},
journal={European Conference in Computer Vision (ECCV)},
year={2018}
}
รหัสนี้เผยแพร่ภายใต้เงื่อนไขใบอนุญาตเดียวกันกับ ESPNet
