Apr, 2020

组织学肿瘤弱监督多实例学习分割

PDF
TL;DR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.
histopathological image segmentationweakly supervised learningmultiple instance learningclinical annotationstumor maps
发现论文，激发创造
  • 基于对比度变分模型的组织病理学图像点注释弱监督分割

    本研究提出了一种基于对比的变分模型，用于生成组织病理学图像分割效果，旨在作为弱监督深度学习分割模型的可靠补充监督，并证明其在组织病理学图像分割方面的有效性和效率。

    Apr, 2023

  • 基于深度学习的全切片图像分割与分析通用框架

    本文章基于深度学习方法提出了一种可用于组织病理学图像分析的框架，并在癌症诊断、预后和图像分析等方面取得了良好的效果。

    Jan, 2020

  • 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

  • 基于自对比的半监督学习框架用于预后预测的全切片图像

    应用深度学习技术分析组织病理图片对于自动预后预测的重要性进行了创新性研究，提出了一个新颖的三部分框架，包括基于卷积网络的组织分割算法、对比学习模块和嵌套多示例学习分类模块。在人工生成的数据和简单的诊断任务上进行了初步验证，并在膀胱癌的预后预测任务中取得了显著的成果，模型的 AUC 分别达到 0.721 和 0.678。

    May, 2024

  • 利用语义分割的多阶段病理图像分类

    本论文提出了一种新的模型结构，将基于补丁的分类模型和整个切片比例的分割模型相结合，以提高自动病理诊断的预测性能，并通过优化方法，使模型部分地进行端到端学习，应用于 WSI 的肿瘤 / 正常预测，与传统基于补丁的方法相比，分类的性能得到了提高。

    Oct, 2019

  • CAMEL: 组织病理学图像半监督学习分割框架

    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.

    Aug, 2019

  • 不同图像领域弱监督语义分割的综合分析

    本篇论文评估了最先进的弱监督语义分割方法在自然场景、组织病理学和卫星图像数据集上的表现，并分析了如何确定哪种方法最适合给定的数据集。结果表明，针对组织病理学和卫星图像的弱监督语义分割面临着与自然场景图像不同的挑战，提出了一些实用技巧并指出需要更多的工作来实现弱监督语义分割的通用方法。

    Dec, 2019

  • 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

  • 自监督技术弥合组织学中弱监督和强监督之间的差距

    本研究使用自监督学习算法 MoCo v2 在组织病理学图像上进行了领域内特征提取训练，获得了比 ImageNet 预训练的特征提取器更好的性能，提高了半监督学习在组织病理学中的性能，同时展示了该特征提取器学到的组织结构嵌入空间具有生物学意义上的解离性。

    Dec, 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