KDDOct, 2020

半监督肺癌筛查的深度期望最大化

PDF
TL;DR提出一种基于半监督学习和 3D 卷积神经网络的肺癌筛查算法，采用 Expectation-Maximization 元算法进行训练，通过交叉域的方法验证其模型性能，结果表明该算法能够极大地提高肺癌筛查的分类准确性，证明了半监督 EM 是改进 3D CNN 肺癌筛查模型准确性的一种有效技术。
发现论文，激发创造
  • DeepEM: 基于 EM 的深度三维卷积神经网络用于弱监督的肺结节检测

    提出利用电子病历中的不完整信息进行肺部结节检测的弱监督学习方法 DeepEM，实验结果在两个数据集上取得 1.5％和 3.9％的平均自由响应接收者操作特性（FROC）分数提高，证明了这种方法对于提高深度学习算法的效用。

    May, 2018

  • 基于期望最大化算法的弱监督和半监督物体检测

    本研究使用深度卷积神经网络结合期望最大值方法解决仅提供图像级标签时的目标检测问题，在 PASCAL VOC 2007 基准测试集中，实验结果表明，我们的方法在弱监督下，较现有最先进方法有明显的性能优化，并且在使用少量实例标注图片的情况下，基本可以达到完全监督模型的检测表现。

    Feb, 2017

  • 基于 DCNN 的语义图像分割的弱 / 半监督学习

    作者提出一种针对弱监督和半监督学习条件下的语义图像分割模型训练的 Expectation-Maximization 方法，实验表明所提技术具有竞争性的成果，同时需求更少的标注工作量。

    Feb, 2015

  • 贝叶斯伪标签：期望最大化用于鲁棒和高效半监督分割

    本研究介绍了一种新的伪标记形式，作为期望最大化算法的清晰统计解释，并提出了一种基于原始伪标记的半监督医学图像分割方法 SegPL，证明了其在 2D 多类 MRI 脑肿瘤和 3D 二进制 CT 肺血管分割任务中的效力和可靠性。

    Aug, 2022

  • 基于自下而上和自上而下的线索进行弱监督语义分割

    本研究提出一种使用 CNNs 结合基于期望最大化算法的弱监督方法来学习语义分割分类器的方法，并通过在简单图像上学习初始化和使用显著性和注意力地图来实现更好的结果，同时，研究也表明该方法无需使用精确像素级别标签，能在 PASCAL VOC 2012 数据集上保持高性能。

    Dec, 2016

  • 淋巴结转移癌症检测的半监督学习

    用逐步的方式查找转移组织的任务通常很具有挑战性，这篇研究提出了使用基于深度卷积神经网络的半监督学习方法的模型来自动分析肿瘤病理扫描图像中的前哨淋巴结状态，表现比标准 CNN 基准表现更好，并在 PatchCamelyon 数据集上进行了验证。

    Jun, 2019

  • 深度贝叶斯主动半监督学习

    通过半监督深度学习与主动学习相结合的方法，使用尽可能少的标记样本，同时利用熵最小化对未标记样本进行训练，在 MNIST 数据集上仅使用 300 个标记样本实现 2.06% 的误差率和 1000 个标记样本实现 1.06% 的误差率。该方法可以获得高准确性的敏捷标注过程，同时节省标记成本。

    Mar, 2018

  • 使用半监督学习的期望最大化进行文档分类

    该研究论文讨论了使用期望最大化技术来分类文档的方法，利用半监督学习方法可以提高分类准确性，其主要优点是可以动态生成新分类。该论文使用了汽车数据集进行了实验验证。

    Dec, 2011

  • 肺栓塞标注的特征增强对抗半监督语义分割网络

    本研究提出了一种基于 HRNet 的特征增强的敌对半监督语义分割模型，通过添加少量未标记图像实现了对不同数据集的适用，从而自动标注计算机断层扫描肺动脉造影（CTPA）图像中肺栓塞病变区域的位置。与当下的标准模型相比，该模型在 mIOU、Dice 系数和灵敏度方面实现了显著优化。

    Apr, 2022

  • 有限标注数据下乳腺 X 光大片肿块分割的半监督和弱监督学习

    我们提出了一种半监督和弱监督学习框架，利用有限的强标注样本和充足的弱标注样本进行乳房肿块分割，以提高诊断乳腺癌的准确性。该框架包括一个辅助分支用于排除无关区域，一个分割分支进行最终预测，以及一个空间引导模块用于整合两个分支的互补信息。通过将编码的模糊特征分离为与病变相关的和其他的特征来改善性能，在 CBIS-DDSM 和 INbreast 数据集上的实验证明了我们方法的有效性。

    Mar, 2024