Sep, 2019

深度学习在组织病理学中的领域转移研究

PDF
TL;DR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。
domain shifthistopathologywhole-slide imagesconvolutional neural networkstumor classification
发现论文，激发创造
  • 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

  • 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

  • 皮肤镜皮肤癌数据集中的领域转移：对临床转化的基本限制的评估

    该研究探讨卷积神经网络应用在皮肤镜皮肤癌分类等临床任务时的泛化能力不足问题，并针对不同来源、不同照明条件等影响因素，通过对 ISIC 图像库中图像元数据进行分类，生成包括这些影响因素的数据集，体现数据集间的 “domain shifts”，为评估皮肤癌分类器的泛化能力提供支持。

    Apr, 2023

  • 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

  • IMPaSh：一种新颖的抗域漂移表征方法用于结直肠癌组织分类

    我们提出了一种名为 PatchShuffling 和 IMPaSh 的自助对比学习框架，以训练深度学习模型从而获得一个可以提取抗于领域漂移图像表示的 ResNet50 编码器。我们的方法在对横跨领域的结肠组织图像进行交叉分类时表现出了优于其他传统组织学领域适应和最先进的自监督学习方法的性能。

    Aug, 2022

  • 深度学习模型的诊断能力可信吗？胸部 X 光分类中领域偏移的影响

    本文通过评估胸部放射照相图像数据集中的移域偏移，考察不同数据集在深度学习模型的训练和测试中的性能差异，并证明在 CheXpert 和 MIMIC-CXR 数据集上训练的模型更能够在其他数据集上实现更好的泛化。

    Sep, 2019

  • 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

  • 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

  • 利用样式增强特征域混合的组织病理学图像分析以提高泛化能力

    本研究提出了一种基于特征域风格混合的技术，利用自适应实例归一化生成具有风格增强版本的图像。通过与现有的基于风格迁移的数据增强方法进行比较，发现该方法在计算和时间上要求较低的情况下表现相似或更好。研究结果展示了特征域统计混合在组织病理学图像分析学习模型的泛化中的潜力。

    Oct, 2023

  • 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