Jun, 2018

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

PDF
TL;DR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。
gleason gradinghistopathologyprostate cancerunsupervised domain adaptationadversarial training
发现论文，激发创造
  • 领域对抗神经网络解决组织病理学图像外观差异问题

    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。

    Jul, 2017

  • 领域适应学习：改进损失函数组合的组织学图像无监督适应

    这篇论文提出了一种针对 H&E 染色组织学图像的无监督领域自适应 (UDA) 的新方法，通过利用组织结构和细胞形态等组织学特征来提高领域适应性能。该方法在准确性、鲁棒性和泛化性方面经过了广泛评估，并且在 FHIST 数据集上的实验结果表明，我们提出的方法 (Domain Adaptive Learning，DAL) 明显超过了基于 ViT 和 CNN 的最先进方法分别有 1.41% 和 6.56% 的提升。

    Sep, 2023

  • 簇熵：病理图像分割的主动领域自适应

    本文提出了一种基于 cluster entropy 的半监督域适应方法来解决病理切割中的领域转移问题，该方法可以选择有效的全切片图像（WSI），通过计算每个聚簇的熵来衡量 WSI 的图像特征如何覆盖目标域的整个分布，并显著提高域适应的性能。

    Apr, 2023

  • 数字病理学中的医院不可知图像表示学习

    本研究使用领域泛化技术改善深度神经网络的泛化能力，使其能够处理来自不同医院和实验室的 WSIs 和组织病理学影像集，结果表明使用该技术时，低维空间表示和分类准确性都有所提高。

    Apr, 2022

  • 结合弱监督和强监督对前列腺癌组织学图像进行分类

    本研究通过联合训练两个数据集以及引入一种梯度更新机制，旨在自控弱监督信号，基于大型弱标记数据集和小型强标记数据集，自动赋予前列腺癌全层切片的格里森分数的任务。我们的方法在与标准格里森评分方法比较时取得了优异的性能。

    Nov, 2018

  • 基于组织病理图像的胶质瘤亚型分类：领域内和领域外迁移学习的实验研究

    我们在本文中对用于成年型弥漫性胶质瘤的计算机辅助分类的各种迁移学习策略和深度学习架构进行了全面比较。我们评估了针对组织病理学图像目标领域的域外 ImageNet 表示的泛化能力，并研究了使用自监督和多任务学习方法进行预训练的在域适应的影响。此外，我们提出了一种半监督学习方法，其中利用微调模型来预测整张幻灯片图像的未标注区域的标签。在使用先前步骤中确定的真实标签和弱标签进行重新训练后，模型表现优异，平衡准确率为 96.91％，F1 分数为 97.07％，并最大程度地减轻了病理学家的注释工作量。最后，我们提供了一种工作在幻灯片图像级别的可视化工具，生成能突出肿瘤区域的热图，从而为病理学家提供幻灯片图像中最有信息的部分的见解。

    Sep, 2023

  • 基于对抗神经网络的无监督领域自适应脑损伤分割

    该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法，此方法更加稳健，并且不需要对测试领域进行任何注释，该系统在对两种头部 CT 数据进行测试时，得到的分割精度非常接近于有监督领域自适应的上限。

    Dec, 2016

  • 学习基于子分区的异质感知领域自适应细胞核分割

    我们首次提出了开放式复合域适应（OCDA），明确考虑组织病理学领域内的异质性，并引入两阶段分离框架来获取图像和实例层面的领域不变特征表示，以解决核心问题。实验证明我们的方法在各种不同数据集的跨模态和跨染色情况下优于最先进的无监督域自适应和 OCDA 方法。

    Jan, 2024

  • 多尺度领域对抗多实例 CNN 用于未注释组织病理学图像癌症亚型分类

    本文提出了一种利用深度学习中的多例、领域对抗和多尺度学习框架，从组织病理学图像中识别癌症亚型的新方法，并在 196 个病例中测试，表明该方法比标准 CNN 或传统方法更准确，且与标准病理学家的准确性相当。

    Jan, 2020

  • 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