Jul, 2017

领域对抗神经网络解决组织病理学图像外观差异问题

HTML
PDF
TL;DR通过对颜色进行增强和基于领域对抗训练的方法，可以改善深度学习方法的泛化能力，从而提高乳腺癌组织学图像中有丝分裂的检测效果。
发现论文，激发创造
  • 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

  • 前缀对抗性领域自适应在前列腺组织学全切片图像分类中的应用

    该文提出采用无监督领域适应方法，利用对抗性训练在整张组织切片图像上实现领域间知识的转移，提高了前列腺癌Gleason分数的分类表现。

    Jun, 2018

  • 深度学习在计算病理学中数据增强和染色归一化效果的量化分析

    本文研究组比较了针对组织切片染色变异的两种技术：染色色彩扩增和染色色彩规范化，并在异质性数据集上量化了它们对卷积神经网络分类性能的影响，并提出了一种使用神经网络进行无监督染色色彩规范化的新方法。

    Feb, 2019

  • 深度学习在组织病理学中的领域转移研究

    该论文研究了卷积神经网络在组织病理学中用于肿瘤分类的应用，分析了数据增强和归一化对模型性能和表示学习的影响，提出了衡量模型领域差异距离的新方法，结果表明训练数据的准备对学习结果有很大影响。

    Sep, 2019

  • 计算组织病理学的深度神经网络模型：一项调查

    本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从130多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。

    Dec, 2019

  • 数字病理图像的自适应域泛化

    研究关注于组织学培训中的颜色和扫描仪变化对人工智能的影响，并介绍了能够适应领域变化的测试时间训练技术。

    May, 2023

  • 组织病理学中的染色归一化的生成对抗网络

    数字病理学的快速发展为发展基于人工智能的工具改善临床诊断的准确性和效率提供了理想的机会。本文探讨了数字病理学中用于染色标准化的不同技术，重点关注利用生成对抗网络（GAN）的方法。研究者旨在找到一种有效和高效的方法来标准化病理图像，以使人工智能模型更具鲁棒性和可推广性。

    Aug, 2023

  • 计算病理学中的领域泛化：调查与指南

    深度学习模型在计算病理学中表现出了卓越的效果，通过解决复杂的组织学图像分析应用中出现的外域数据问题，降低了经过训练的模型对于具有稍微不同数据分布的未见数据的泛化能力。

    Oct, 2023

  • 自监督视觉Transformer是可扩展的领域泛化生成模型

    我们提出了一种新颖的生成方法用于组织病理学图像的领域泛化，通过使用一种生成的自监督视觉转换器从图像片段中提取特征，并将它们无缝地融合到原始图像中，从而创建具有不同属性的新颖的合成图像，丰富数据集，从而提高深度学习模型在未见领域中的泛化能力。

    Jul, 2024

  • 基于细胞形态意识的深度神经网络的组织病理图像分类

    提出了一个新颖的DeepCMorph模型，通过预训练学习细胞形态学并识别大量不同的癌症类型，取得了与之前的解决方案相比超过4%的82%准确率，并展示了该预训练模型在小样本显微镜数据集上的优越性能。

    Jul, 2024