蛋白质网络的深度上下文学习器
本文提出了两种方法:使用多任务学习模型获取上下文数据以在自动艺术分析中使用上下文,以及通过艺术特定的知识图谱获得上下文,为视觉表示增加上下文艺术信息,以实现艺术作品的分类和检索。
Apr, 2019
本文提出了一种通过将全切片图像 (WHIs) 表示为图来进行肿瘤诊断的方法,使用图卷积网络 (GCN) 捕获 WSI 中的上下文依赖关系,并使用自监督学习获取无标签数据的训练增强。这种方法利用节点表示 WSI 的 patch,是一种包含上下文信息的模型方案,相比于现有方法或基于多实例学习(MIL)的方案实现了性能的提升。
Jun, 2023
本研究提出了一种 Patch-GCN 算法,该算法可以对肿瘤微环境中的局部和全局拓扑结构进行建模,从而对患者的生存预后进行更好的预测。该算法通过 4,370 张 WSIs 的验证,在 5 种不同的癌症类型中,表现出比之前研究中所有的弱监督方法都要好。
Jul, 2021
该研究介绍了一种基于自监督学习的方法,通过在医学图像中结合区域解剖学和患者特征学习对肺部 CT 图像进行分析,从而在 COVID-19 病人中定量量化疾病的临床进展并标识图像中与疾病相关的区域。
Dec, 2020
本文提出自适应区域嵌入 (Adaptive Region Embedding) 算法,通过学习上下文表示来改善文本分类性能,实现了优异的结果且避免了词义的不确定性。
May, 2019
本研究提出了一种基于整张切片图像的图像学习算法,利用基于位置的嵌入和图形注意机制,采用样条卷积神经网络进行结点位置嵌入,用于肾癌和前列腺癌的分级诊断,并使用渐变解释方法生成突出显着的区域地图,从而使该方法可解释性更好地识别 WSI 中的癌症区域。
Jun, 2023
本研究论文介绍了一种新颖的模型,将知识图谱中的实体和关系编码为低维向量空间,并将上下文信息和字面信息融入到实体和关系嵌入中,使用图卷积网络进行建模,通过置信度和相关性度量评估上下文信息的重要性,并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。
Dec, 2023
通过引入人口层面的上下文并运用图论方法,将其整合到自动编码器的潜在编码中,本研究提出了一种称为 PopuSense 的改进模块,以捕捉生物医学数据中卷积模型可能忽略或平滑的额外组内变异。在对比度和纹理为基础的图像上进行的实验表明,PopuSense 在对比度为基础的图像中展现了更好的可分性,为模型所学习的表示提供了额外的改进途径。
Mar, 2024
本文提出了一种结合上下文信息进行人物搜索的框架,并通过相对注意力机制筛选场景中有用的上下文信息和建立图形学习框架来实现目标相似性的有效更新,该框架在两个广泛使用的人物搜索数据集上取得了最先进的性能。
Apr, 2019
本研究开发了一种新的深度学习池化操作符 —— CHARM,以提高癌症诊断的准确性和可解释性,实验结果证明其在非小细胞肺癌和淋巴结转移的亚型识别方面优于其他弱监督分类算法。
May, 2023