Apr, 2017

基于稀疏自编码器的组织病理学图像无监督细胞核检测及表示

HTML
PDF
TL;DR本文提出了一种基于稀疏卷积自编码器（CAE）的组织学图像核深度特征提取方法，实现了在组织图像中核的自动检测和编码。CAE 将图像中的核检测和深度特征提取模块以端到端的方式进行预训练，可用于之后的监督学习。实验结果显示，与最先进方法相比，本文方法减小了最大 42% 的误差，并且只需要 5% 的全监督标注成本即可得到可比较的性能。
发现论文，激发创造
  • 基于生成式对抗网络的组织病理图像细胞级视觉信息无监督学习

    本文提出了一种新的联合生成-对抗网络架构，通过学习细胞级别的视觉表示来执行无监督的细胞级别视觉表示学习，并利用这种学习开发了一种能够在骨髓数据集上进行组织病理学图像分类的流程。

    Nov, 2017

  • 无监督组织病理图像合成

    本研究提出了一种无监督学习的方法，利用生成对抗网络（GAN）生成与真实组织学图像相似的组织学图像，以提高分类CNN的性能，该方法不仅能在缺少监督数据的情况下有效地进行癌症诊断，而且对于含有监督数据的情况仍能表现出色。

    Dec, 2017

  • SFCN-OPI：使用Sibling FCN和Objectness Prior Interaction进行细胞核的检测和细致分类

    本文介绍了一种利用CNN完成细胞核检测和细粒度分类的全新方法SFCN-OPI，该方法利用对象先验与分类分支进行动态交互，相比现有方法实现了更高的识别精度和鲁棒性。

    Dec, 2017

  • HoVer-Net: 多组织组织学图像中细胞核的同时分割和分类

    通过使用卷积神经网络将核数据分离和分类，进而对数字病理学的工作流程进行优化。

    Dec, 2018

  • 多尺度全卷积神经网络用于组织病理学图像分割: 从核异常到全局组织结构

    该论文介绍了一种基于多种尺度的深度神经网络，用于组织病理学的诊断。实验表明，该神经网络能够在低计算成本下提高模型的性能，并有望广泛应用于组织病理学的深度诊断中。

    Sep, 2019

  • 使用图卷积神经网络进行组织病理学图像的可视化

    该论文提出了一种基于图卷积网络和注意机制的方法，将组织学检查作为细胞核图的形式来进行深度学习，达到疾病诊断的可解释性。

    Jun, 2020

  • 利用组织病理图像中的部分点注释进行弱监督深度细胞核分割

    本文提出了一种基于部分点注释的弱监督分割框架，其中包括两个阶段的半监督策略和深度神经网络的使用，使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。

    Jul, 2020

  • 基于核心感知的自监督预训练：使用图像对图像转换技术的非配对组织病理学图像

    提出一种新颖的基于细胞核感知的自监督预训练框架，通过组织病理图像与伪掩膜图像之间的无配对图像转换来捕获细胞核形态和分布信息，并采用条件和随机样式表示来调节生成过程，以实现预训练图像的真实性和多样性；同时，采用实例分割引导策略来捕获实例级信息。实验结果表明，该预训练方法在Kather分类、多实例学习和5个密集预测任务上优于有监督方法，并且在8个半监督任务上比其他自监督方法取得了更好的结果。

    Sep, 2023

  • 融合具有不同标签集的数据集以改进细胞核分割和分类

    深度神经网络在组织病理学图像中进行细胞核分割和分类，可以通过自动化细胞计数和形态计量评估帮助病理学家诊断癌症等不同疾病，而训练数据集的大小对深度神经网络的准确性具有重要影响。我们提出的方法是针对具有相关但不相同类别集的多个数据集进行实例分割和分类的深度神经网络训练，通过利用粗到细的类别层次结构并在数据集中使用互斥类别来改善分类性能和推广性能的定量与定性结果。该方法适用于各种损失函数、深度神经网络体系结构和应用领域。

    Oct, 2023

  • 基于扩散的核细胞图像分割数据增强

    本文介绍了一种基于扩散的核分割增强方法，通过合成大量标记图像，以提高分割模型的性能。实验结果表明，通过将10％的真实标记数据集与合成样本相结合，可以实现与完全监督基准相媲美的分割结果。

    Oct, 2023