Oct, 2019

使用深度多实例学习和对比预测编码的半监督组织学分类

PDF
TL;DR本研究提出了一种基于两阶段半监督学习的方法，将自监督特征学习和正则化的注意力弱标注多实例学习相结合，应用于乳腺癌病理图片二分类任务，并通过五个随机数据集实现了当前最先进的分类性能。
convolutional neural networkshistology slide classificationsemi-supervised learningcontrastive predictive codingbreast cancer
发现论文，激发创造
  • 一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用

    通过改进监督对比学习方法，结合自监督学习和标签数据，在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率，特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。

    May, 2024

  • 使用卷积多示例学习对显微镜图像进行分类和分割

    本研究探讨了将多实例学习（MIL）应用于卷积神经网络（CNNs）以进行显微镜图像分类和分割，并提出了适应性嘈杂 AND MIL 汇集函数，对异常值有鲁棒性，其结果在哺乳动物和酵母显微镜图像上的表现优于以前的方法，无需任何分割步骤。

    Nov, 2015

  • 多尺度注意力多实例学习用于多千兆像素组织学图像分类

    本文提出了一个深度学习管道，以多个实例学习和注意力机制对组织检查图像进行分类，并成功实现了对鼻咽癌的 LMP1 状态预测。通过可视化注意力分数，该方法还允许对模型的解释性进行检查。

    Sep, 2022

  • DTFD-MIL: 双层特征蒸馏多示例学习用于组织病理学全切片图像分类

    提出在组织病理学 WSI 分类问题中，通过引入虚拟 pseudo-bags 的概念并构建双层 MIL 框架来扩大样本数，同时在基于注意力的 MIL 框架下推导实例概率，显著优于最新方法并可适用于更广泛的 MIL 应用。

    Mar, 2022

  • 基于弱监督学习的病理切片整体分类

    该研究提出了一种基于病理先验的多实例学习框架，通过数据增强方法和空间相关性分析，能够有效地用于癌症检测和亚型区分的医学图像分类任务。

    Jul, 2023

  • 异质图像多实例学习：用 CNN 进行组织病理学训练

    本研究提出了使用分位数函数汇聚图像小区域预测结果的多实例学习方法，以及在随机裁剪区域上应用多实例聚合的图像增强方法，该方法在乳腺肿瘤组织分类中进行了五种不同任务的验证，并提供了一种可视化方法以解释局部图像分类，这可能有助于对肿瘤异质性的未来洞见。

    Jun, 2018

  • 全卷积多类多实例学习

    本文提出了一种利用多实例学习（MIL）方法进行多类语义分割的学习的新算法，只需要通过图像级标记进行训练，同时采用全卷积网络来优化细分标签的分配。实验结果表明，该方法在 PASCAL VOC 数据集的分割挑战任务中有良好的表现。

    Dec, 2014

  • 基于 H&E 染色图像的临床信息启发的多实例学习框架用于患者级别结直肠癌分子亚型分类的研究

    通过使用深度神经网络（DNN）和多示例学习技术（MIL），结合临床先验知识，构建了一个名为 “CIMIL-CRC” 的模型，用于鉴别结直肠癌的亚型，结果显示其在区分不同亚型及患者级别分类方面表现优异。

    Jan, 2024

  • 组织病理图像深度实例级困难负样本挖掘模型

    本研究提出了一种基于深度卷积神经网络和注意力机制的多示例学习方法，旨在对整个组织切片图像进行分析并发现对诊断具有关键意义的细胞区块，并在结直肠和乳腺癌病理数据上取得了最先进的表现。

    Jun, 2019

  • 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