Aug, 2020

自路径：有限标注病理图像分类的自监督学习

PDF
TL;DR本文提出了一种自我监督的深度学习算法，采用 CNN 实现对病理图像的多任务分类，并结合具有内在标签的预处理任务来实现半监督学习和领域自适应。实验结果表明该算法在病理学图像分类任务中具有较高的性能表现，并能够适用于其他计算病理学应用领域中。
cnnself-supervised learningdomain adaptationpathology imagesmulti-task learning
发现论文，激发创造
  • 自监督一致性训练用于高效组织病理图像分析

    利用基于多分辨率背景下组织病理全切片图像的潜在上下文线索的自我监督预训练任务，以及新型的师生半监督一致性模式，使用任务无关和任务特定无标签数据来学习强大的监督信号进行无监督表征学习，并在有限标签数据下表现出与其他现有最先进方案相近乃至优越的性能。

    Feb, 2021

  • 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

  • 数字病理学的自监督对比学习

    本文介绍一种使用 SimCLR 方法进行自监督学习的无监督学习方法，该方法在数字病理学数据集上的预训练在多项下游任务中优于在 ImageNet 上预训练的网络，F1 平均分提高了 28% 以上。

    Nov, 2020

  • 医疗系统规模下的计算病理学 -- 来自三十亿图像的自监督基础模型

    最近在自我监督学习方面的突破已经实现了使用大规模无标签数据集来训练视觉基础模型，该模型可以推广到各种下游任务。本项目的目标是训练最大的学术基础模型，并通过在大型临床病理数据集上的预训练和下游性能评估来对最重要的自我监督学习算法进行基准测试。结果表明，与自然图像的预训练相比，病理数据的预训练对下游性能是有益的。此外，DINO 算法在所有测试任务中实现了更好的泛化性能。这些结果标志着计算病理学研究的一个阶段性变化，为基于大规模、并行预训练的更高性能模型开辟了新时代。

    Oct, 2023

  • 在多样病理数据集上进行自监督学习的基准测试

    本文介绍了最大规模的自监督学习预训练对计算病理学的影响，并在核实例分割等任务中证明其表现优越，并提出了领域特定技术来提高性能。

    Dec, 2022

  • 组织病理学的领域特定优化和多样化自监督模型评估

    建立和评估组织病理学基础模型在自我监督学习中的价值，并发现领域特定方法可以进一步提高性能。

    Oct, 2023

  • 一种面向计算病理学的通用自监督模型

    使用超过 100 万个组织样本预训练的自我监督模型 UNI，在计算病理学中取得了巨大的突破，具有分辨率无关的组织分类、少样本类别原型的幻灯片分类以及疾病亚型分类等新的建模能力，为解决解剖病理学中各种具有挑战性的任务和临床工作流提供了数据高效、泛化和迁移能力的人工智能模型。

    Aug, 2023

  • 自适应自我监督学习在计算病理学中的应用

    对自我监督学习算法在计算病理学中的适应性进行了研究，包括提出了针对病理图像特点的增强方法、正则化函数和位置编码，并通过多个基准测试评估了这些改进对算法性能的影响。

    May, 2024

  • 基于核心感知的自监督预训练：使用图像对图像转换技术的非配对组织病理学图像

    提出一种新颖的基于细胞核感知的自监督预训练框架，通过组织病理图像与伪掩膜图像之间的无配对图像转换来捕获细胞核形态和分布信息，并采用条件和随机样式表示来调节生成过程，以实现预训练图像的真实性和多样性；同时，采用实例分割引导策略来捕获实例级信息。实验结果表明，该预训练方法在 Kather 分类、多实例学习和 5 个密集预测任务上优于有监督方法，并且在 8 个半监督任务上比其他自监督方法取得了更好的结果。

    Sep, 2023

  • 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