Hyppää pääsisältöön

Tarkenna hakuasi

Hamid Behravan and Raju Gudhe.

Yli­opis­to­tut­ki­ja Hamid Behravan (vas.) ja väi­tös­kir­ja­tut­ki­ja Raju Gudhe

Te­ko­ä­ly­poh­jai­nen sy­vä­op­pi­mis­mal­li tarkentaa solulaskentaa ku­dos­näy­te­ku­vis­ta syövän diagnostiikan tueksi

A deep learning framework estimating cell types in a whole slide digital pathology image. The segmented nuclei and their corresponding cell types are provided in the legend.
The deep learning framework, named CT-EMT, relies on evidential multi-task learning for predicting various cell types in Hematoxylin & Eosin-stained digital pathology images.
Performance evaluation of CT-EMT compared to the existing cell-type counting frameworks.

Mul­ti­mo­daa­li­nen sy­vä­op­pi­mis­mal­lim­me tekee rintasyövän diag­no­soin­nis­ta ja hoidon suun­nit­te­lus­ta entistä tarkempaa ja tehokkaampaa.