Dec, 2021

使用对比自监督学习学习组织病理学应用的表示

PDF
TL;DR本文研究了自监督学习在数字病理学中的应用，探讨了其在非物体中心数据集上的不同表现，提出了不同的视角生成和超参数调整方法，并通过大量实验分析证明了对组织分类下游任务有积极的影响。
self-supervised learningcontrastive learningdigital pathologytissue classificationview generation
发现论文，激发创造
  • 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

  • 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

  • 对比自监督学习综述

    本研究对自监督学习中采用对比学习方法的常见预训练任务及各种方法进行了广泛的回顾，并通过图像分类，目标检测和动作识别等多个下游任务的性能比较，探讨了当前方法的限制以及未来发展方向。

    Oct, 2020

  • 一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用

    通过改进监督对比学习方法，结合自监督学习和标签数据，在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率，特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。

    May, 2024

  • 基于对比学习的无监督学习目标检测

    我们提出了一种通过无监督 / 自监督学习训练单阶段目标检测器的创新方法，该方法有潜力彻底改变标注过程，大大减少人工标注所需的时间和成本，并为之前难以实现的研究机会铺平了道路。与现有的主要针对分类任务的无监督学习方法不同，我们的方法承担了目标检测的独特挑战，开创了 intra-image 对比学习与 inter-image 对应的概念，能够获取目标检测所需的重要位置信息。该方法熟练地学习和表示这些位置信息，并生成信息丰富的热图。我们的结果展示了 89.2% 的卓越准确率，在计算机视觉领域的无监督目标检测领域突破性地提高了 15 倍，相比随机初始化。

    Feb, 2024

  • 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

  • 自路径：有限标注病理图像分类的自监督学习

    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。

    Aug, 2020

  • 简化自监督学习复杂度提高计算病理学弱监督分类性能

    我们提出了一套适应性方法，可以在资源有限的环境下利用半监督自学习来进行计算病理学研究，从而提高下游分类性能并缩短自学习训练时间。

    Mar, 2024

  • 对比度视觉表征学习何时有效？

    本文研究了自监督学习在四个不同的大规模数据集上的对比学习方法，通过数据量、数据领域、数据质量和任务粒度，得出了有关成功自监督学习所需条件的新见解，其中包括：(i) 除 500k 张图像外，额外的预训练数据的收益有限；(ii) 添加来自另一个领域的预训练图像不会产生更通用的表示。(iii) 比较学习在细粒度的视觉分类任务中远远落后于监督学习。

    May, 2021

  • 层次化文本到图像的自我监督对齐，以提高组织病理学表示学习

    本文介绍一种新颖的基于语言相关的自监督学习框架，即 Hierarchical Language-tied Self-Supervised (HLSS) 方法，用于医学图像的层次化表示学习。通过结合领域特定的自然语言信息与图像的层次化视觉表示，该方法在医学图像任务中取得了最先进的性能，同时还提供了更好的可解释性。

    Mar, 2024