Jan, 2022

从异构和部分标记的图像数据集中开发深入子宫颈模型

PDF
TL;DR为了解决宫颈图像分类模型开发中的挑战，本研究提出了一种基于自我监督学习的方法来产生一个预训练宫颈模型，并利用不同来源的未标记和 / 或标记图像来开发特定标准的宫颈图像分类模型，证明了该方法的有效性和联邦自我监督学习可以提高性能。
cervical cancerautomated classificationself-supervised learningfederated sslimage access restrictions
发现论文，激发创造
  • 基于 CNN 的整张组织病理学图像宫颈癌分类方法

    该研究通过 VGG16-CNN 分类方法对 TCGA 数据平台中的子宫颈组织数字切片进行分类，准确率为 98.26%，F1 分数为 97.9%，这证实了迁移学习在该弱监督任务上的潜力。

    May, 2020

  • 精确的宫颈癌阴道镜图像分类中，深度学习描述符与特征降维的混合化

    通过使用不同的深度学习描述符（ResNet50、ResNet101 和 ResNet152）以及适当的特征归一化（最小 - 最大）和特征约简技术（LDA），我们提出了一种新颖的计算机辅助诊断（CAD）系统，该系统在妇科癌症预防方面取得了异常的性能。我们在由世界卫生组织提供的 IARC 数据集上进行了实验，该数据集经过了初始的分割和平衡。我们的方法在正常和异常分类以及类型分类方面的表现范围为 97% 至 100%，同一数据集上的另一竞争性方法的性能为 81% 至 91%。

    May, 2024

  • 利用自监督深度学习增强乳腺癌筛查乳腺 X 线摄影的检测能力

    本研究探讨了基于强数据扩充的无监督自我学习技术在人工智能应用中的重要作用，以乳腺癌检测为例，通过实验验证表明使用该技术可以大幅提高数据利用率，而且更容易迁移到其他数据集，是医学图像人工智能领域迈向无监督学习和去掉传统稀缺标签的重要突破。

    Mar, 2022

  • 基于病理学和阴道镜图像的宫颈癌诊断的深度学习技术

    深度学习在宫颈癌筛查和诊断方面展示了显著的效率提升和速度增加，有望帮助我们实现早期诊断，挽救生命。

    Oct, 2023

  • 子宫颈畸形机器视觉检查的典型跨领域知识迁移

    通过利用不同但相关临床研究中收集的跨领域子宫颈图像，我们提出了一种基于原型的知识过滤方法，用于改善定向子宫颈数据集上模型的性能，实验证据显示我们的方法在顶级准确率、精确度、召回率、F1 分数和 ROC-AUC 上分别比最先进的子宫颈畸形视觉检查法提高了 4.7%、7.0%、1.4%、4.6% 和 0.05。

    Aug, 2023

  • 子宫颈癌筛查的可解释乳房细胞表示

    通过使用变分自编码器进行单类分类，本研究提出了一种学习解释性深度宫颈细胞表示的方法，以实现宫颈细胞异常的评分和定位，结果表明该方法能够在不使用异常样本进行模型训练的情况下，实现异常细胞的区分和解释。

    Nov, 2023

  • 基于位置信息的放射学报告引导的半监督学习在前列腺癌检测中的应用

    通过使用未标注图像和基于病灶位置的半监督学习模型，可以改善前列腺病变检测，降低标注负担。

    Jun, 2024

  • 可解释的对比与成本敏感学习在宫颈癌分类中的应用

    本研究提出了一种高效的系统，利用预训练的卷积神经网络对宫颈癌细胞进行分类，通过优先考虑与高成本或重要性相关的类别的准确性来最小化错分成本。为了进一步提高模型的性能，使用了监督对比学习以增强模型对重要特征和模式的捕捉能力。通过在 SIPaKMeD 数据集上进行广泛实验评估了所提出的系统。实验结果表明，该系统的效果显著，准确率达到了 97.29%。为了增强系统的可信度，我们采用了若干可解释的 AI 技术解释模型达到特定决策的方式。系统的实现可在此链接中找到 - this https URL

    Feb, 2024

  • 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

  • 面向前列腺 MRI 分区分割的不确定性感知半监督学习

    本研究提出了一种基于半监督学习的医学图像分割方法，该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据，并自动选择最佳的伪注释，进而在不需要全部标注的情况下，实现了分割模型在医学 3D 数据集上更好的性能，验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。

    May, 2023