通过对深度学习驱动的代表性算法进行分析和比较,并讨论开放问题和未来趋势,本文回溯性研究有助于相关领域的研究人员,特别是那些没有医学科学背景的人,不仅能清晰地找到 SRC 分析的大纲,还能获得智能诊断的前景,从而加快智能算法的实践和应用。
Nov, 2023
该研究提出了一个使用半监督学习方法的框架,利用未标记的 WSI 数据通过 Minimal Point-Based 标注来准确检测癌症区域,并利用创新的混合损失来训练亚型分类模型,该模型在 3 种不同类型的肾细胞癌中的表现具有可比性和较高的 F1 得分。
Aug, 2020
本文提出了一种适用于端到端 PCR 模型的半监督点基细胞识别(SSPCR)框架,该框架利用伪标签和共同教学策略来提高细胞识别的准确性,速度和健壮性。
Jun, 2023
利用临床报告来实现弱标签监督学习以提高癌症检测的准确性。通过将诊断和肿瘤位置文本提示整合到视觉语言模型的文本编码器中,可以有效地在视觉语言模型的潜在空间中进行弱监督学习的优化,从而提高训练的稳定性。在大规模癌症数据集上的广泛数量实验结果验证了我们的方法可以将人工标注工作量减少至少 70%,同时保持与竞争的全监督方法相当的癌症检测准确性(AUC 值 0.961 vs 0.966)。
May, 2024
本研究使用深度学习算法和点标签编码方法,实现对 PMS2 染色大肠癌和扁桃体组织图像进行单个细胞检测和分割的目标,相比现有技术,本算法在不增加标注工作的情况下显著提高了细胞检测和分割的效果。
Oct, 2019
本文介绍了一种基于点的细胞检测和分类框架,该框架采用了直接回归和分类方法,并采用金字塔式特征聚合策略同步处理底层特征和高层语义。实验结果表明,该方法在在免疫组织化学图像的分析中有着较高的准确性和效率,并具有较高的协助病理学家评估的潜力。
Jul, 2022
用逐步的方式查找转移组织的任务通常很具有挑战性,这篇研究提出了使用基于深度卷积神经网络的半监督学习方法的模型来自动分析肿瘤病理扫描图像中的前哨淋巴结状态,表现比标准 CNN 基准表现更好,并在 PatchCamelyon 数据集上进行了验证。
Jun, 2019
通过使用未标注图像和基于病灶位置的半监督学习模型,可以改善前列腺病变检测,降低标注负担。
Jun, 2024
本研究提出了一种基于对比自我监督学习的模型 (CCRL),通过细胞对比表示学习方法,将其应用于细胞聚类任务,证明了该模型可以在不用大规模标记数据的情况下,在两个不同组织类型的数据集上实现比目前所有细胞聚类模型更好的性能,可为自动细胞表示学习开辟一条新途径。
Aug, 2022
本文提出了一种弱监督方法,可以在密集条件下分割相互接触、边界不清的单个细胞区域,无需单独的训练数据,通过多种显微镜捕获的多种细胞类型的数据集验证了该方法的有效性。
Nov, 2019