细胞检测和分割的弱监督多任务学习
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
使用 U-Net 多任务模型结合颜色和统计学增 & 测试时增强,来实现对组织分割和肿瘤检测的自动化,以期解决由于公共数据集稀缺和图像变异导致的困难。在 CRC 检测(SemiCOL)2023 挑战上,该方法在被部分标注的数据集上取得了.8655 的 Dice 分数(Arm 1)和.8515 的 Dice 分数(Arm 2)用于组织分割,并在肿瘤检测方面分别达到了.9725(Arm 1)和.9750(Arm 2)的 AUROC 值。
Apr, 2023
本文提出了一种半弱监督分割算法,基于新的深度监督学习方法和学生 - 教师模型,结合各种监督信号以实现易于集成,有效地减少了昂贵标注的要求。经过实验验证,该算法在视网膜液体分割上取得了成功。
Apr, 2021
肺癌和 COVID-19 是世界上患病率和死亡率最高的疾病之一。针对早期阶段疾病的病灶识别对医生而言是困难且耗时的,因此,多任务学习是一种从少量医学数据中提取重要特征(如病灶)的方法,因为它能更好地进行泛化。我们提出了一种新颖的多任务框架,用于分类、分割、重建和检测。据我们所知,我们是第一个将检测添加到多任务解决方案中的研究者。此外,我们还检查了在分割任务中使用两种不同的骨干网络和不同的损失函数的可能性。
Aug, 2023
本文介绍了一种基于深度学习的微观细胞图像语义分割,提出了针对数据量少的高效学习框架,并提出了一次学习和部分监督学习这两种学习策略以及使用小提示图像的新型分割方法。实验结果证明,与传统方法相比,提出的方法提高了 Dice 系数 (DSC)。
Apr, 2023
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
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
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
本研究提出了使用临床外行人士标注部分标签的分子化学学习方案,通过分子 - 形态学的跨模态配准,基于分子的标注和分子导向的分割模型,将病理学 AI 模型转向外行人士级别,从而实现了细胞分割的多类分割,并且整合了深度校正学习方法来进一步提高分割性能。
May, 2023
细胞分割是显微图像中定量单细胞分析的关键步骤,现有的细胞分割方法通常针对特定模态或需要手动干预以指定不同实验设置中的超参数。本研究提出了一个多模态细胞分割基准,包括超过 1500 个带标签图像,来自 50 多个不同的生物实验。前几名的参与者开发了一种基于 Transformer 的深度学习算法,不仅超越了现有方法,还可以应用于不同显微成像平台和组织类型的各种显微图像,无需手动参数调整。这个基准和改进的算法为显微成像中更准确和多功能的细胞分析提供了有希望的途径。
Aug, 2023