Aug, 2019

CAMEL: 组织病理学图像半监督学习分割框架

HTML
PDF
TL;DR本研究提出了CAMEL，这是一种基于弱监督学习的组织病理学图像分割框架，可以仅使用图像级标签来自动生成像素级标签和进行全监督培训。CAMEL在CAMELYON16和结肠腺瘤数据集上实现了与完全监督方法相当的性能，而其自动标注方法的普适性可望造福未来的弱监督学习研究.
发现论文，激发创造
  • 组织病理学图像分割的受限深度弱监督

    本文提出了一种新的弱监督学习算法，命名为DWS-MIL，用于学习在组织病理学图像中分割癌症区域，该算法集成了全卷积网络、多尺度学习和正实例约束等技术，通过图像弱监督传递的信息完成分割任务，并在医学图像处理领域取得了最优结果。

    Jan, 2017

  • 仅使用全局标签的组织病理分类和疾病定位：一种弱监督方法

    提出了一种在弱监督学习下用于疾病定位的方法，使用预训练的深度卷积网络、特征嵌入、以及基于多实例学习的顶部实例和负面证据学习等技术，即使在没有像素级别注释的情况下，仅通过图像级标签进行训练也能够展现出与强监督学习相当的性能。

    Feb, 2018

  • 组织学肿瘤弱监督多实例学习分割

    本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在The Cancer Genome Atlas和PatchCamelyon数据集上进行了评估，显示出一定的潜力.

    Apr, 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

  • 医学图像分割的标签高效混合监督学习

    提出了一种新的基于混合监督的标签高效框架，该框架通过考虑每个弱注释实例并学习其权重，以更好地利用在强注释实例中的高质量先验知识并更精确地描绘弱注释实例。

    Mar, 2022

  • 基于先进深度学习的弱监督、半监督和自监督技术在组织病理学图像分析中的标签高效自动诊断和分析: 全面调查

    该研究综述了计算病理学领域中基于弱监督学习、半监督学习和自监督学习方法的最新研究，重点讨论了这些技术所面临的关键挑战和未来的发展趋势。

    Aug, 2022

  • 循环学习：连接图像级标签和细胞核实例分割

    本文提出了一种称为循环学习的新型图像水平弱监督方法，应用于核实例分割，通过将前端分类和后端半监督实例分割任务相结合，循环共享知识，从图像级标签中提取潜在信息，实现更好的优化，其在三个数据集上的实验均表现出优秀的广泛性，并取得了与完全监督方法可比较的性能。

    Jun, 2023

  • CAMEL2：通过整合重要比例提升组织病理学图像的弱监督学习

    CAMEL2是一种弱监督学习方法，通过引入癌症比例的阈值，允许我们更好地利用信息，从而使我们能够在保持准确性的同时将图像级别设置从1280x1280扩展到5120x5120，其结果在各种数据集上证明了CAMEL2通过5120x5120图像级别二值标注的帮助下，实现了与完全监督基准的相当性能，包括实例和整体级别的分类。

    Oct, 2023

  • 基于SAM的弱监督细胞分割中的引导提示

    利用弱监督方法，在细胞分割的任务中使用Segment Anything模型（SAM），通过对象检测器的输出作为测试时的提示信息（D-SAM），以及SAM作为伪掩膜生成器在训练数据上训练一个独立的分割模型（SAM-S），并通过整数规划的方法协调两组分割掩膜，从而实现更高的性能。在公开的细胞分割数据集上进行了实验，结果显示所有基于SAM的解决方案明显优于现有的弱监督图像分割模型，增益在9-15个百分点之间。

    Nov, 2023

  • 基于多实例学习伪标签的知识蒸馏增强弱监督组织病理图像分割

    肿瘤分割是癌症诊断中至关重要的一步，本研究提出了一种基于多实例学习和知识蒸馏的新框架，能够在弱监督条件下准确地对组织病理图像进行分割，取得了显著的性能提升，对公开数据集Camelyon16和Digestpath2019的实验结果证明了该方法的有效性。

    Jul, 2024