Nov, 2015

使用卷积多示例学习对显微镜图像进行分类和分割

PDF
TL;DR本研究探讨了将多实例学习（MIL）应用于卷积神经网络（CNNs）以进行显微镜图像分类和分割，并提出了适应性嘈杂 AND MIL 汇集函数，对异常值有鲁棒性，其结果在哺乳动物和酵母显微镜图像上的表现优于以前的方法，无需任何分割步骤。
convolutional neural networksmicroscopy imagesmultiple instance learningadaptive noisy-and mil pooling functionimage segmentation
发现论文，激发创造
  • 用于对象识别的多实例学习卷积神经网络

    本文提出了一种名为多实例学习卷积神经网络（MILCNN）的弱监督卷积神经网络框架，用于解决深度网络训练数据不足的问题， 将 MILCNN 框架应用于目标识别， 并在三个基准数据集（CIFAR10、CIFAR100 和 ILSVRC2015）上报告了最新成果。

    Oct, 2016

  • 全卷积多类多实例学习

    本文提出了一种利用多实例学习（MIL）方法进行多类语义分割的学习的新算法，只需要通过图像级标记进行训练，同时采用全卷积网络来优化细分标签的分配。实验结果表明，该方法在 PASCAL VOC 数据集的分割挑战任务中有良好的表现。

    Dec, 2014

  • Micro-Net: 一种用于显微镜图像中多种物体分割的统一模型

    本文基于 CNN 的深度学习结构，针对显微镜图像中的目标分割和结构定位问题进行了研究，经过多重分辨率训练和中间层连接优化，通过多分辨率反卷积滤波器生成输出，在公开数据集上取得了优异的成果。

    Apr, 2018

  • 使用深度多实例学习和对比预测编码的半监督组织学分类

    本研究提出了一种基于两阶段半监督学习的方法，将自监督特征学习和正则化的注意力弱标注多实例学习相结合，应用于乳腺癌病理图片二分类任务，并通过五个随机数据集实现了当前最先进的分类性能。

    Oct, 2019

  • 从图像级别到像素级别的卷积网络标注

    本研究提出了一种基于卷积神经网络的模型，只利用物体类别信息，通过最小化对目标分割任务的先验仅推断目标分割。我们展示了该模型在相对于弱监督物体分割任务中领先于业界最先进的方法。

    Nov, 2014

  • 异质图像多实例学习：用 CNN 进行组织病理学训练

    本研究提出了使用分位数函数汇聚图像小区域预测结果的多实例学习方法，以及在随机裁剪区域上应用多实例聚合的图像增强方法，该方法在乳腺肿瘤组织分类中进行了五种不同任务的验证，并提供了一种可视化方法以解释局部图像分类，这可能有助于对肿瘤异质性的未来洞见。

    Jun, 2018

  • 医学图像分类的多示例多尺度卷积神经网络

    本文介绍了一种基于多实例多尺度卷积神经网络的方法，解决了医学图像分类中的三大挑战：小样本、ROI 难以定位和尺度变化问题，并利用弱标注实现了良好的性能。

    Jul, 2019

  • DTFD-MIL: 双层特征蒸馏多示例学习用于组织病理学全切片图像分类

    提出在组织病理学 WSI 分类问题中，通过引入虚拟 pseudo-bags 的概念并构建双层 MIL 框架来扩大样本数，同时在基于注意力的 MIL 框架下推导实例概率，显著优于最新方法并可适用于更广泛的 MIL 应用。

    Mar, 2022

  • 显微镜图像分类的多领域学习卷积神经网络模型

    本文提出了一种多领域学习架构用于显著不同的显微镜图像的分类，使用新的优化技术规范训练期间的潜在特征空间来提高网络性能。通过在三个不同的公共数据集上进行评估，该分类器优于现有技术，对有限标记数据稳健，并且切换到新实验时帮助消除设计新网络的负担。

    Apr, 2023

  • 利用卷积神经网络提高医学图像分割中的校准性和超出分布检测能力

    本研究采用多任务学习的方法解决了小型医学图像数据集训练卷积神经网络模型的挑战性问题，并通过对多个数据集进行训练，以识别不同情境下的感兴趣器官并提高模型输出的准确性和可靠性。同时，基于卷积神经网络特征图的频谱分析方法在检测测试图像的 “出域” 数据方面，表现出明显优势。

    Apr, 2020