Jun, 2022

基于 DU-Net 的无监督对比学习在组织学图像癌症分割中的应用

PDF
TL;DR介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。
unsupervised cancer segmentationhistology imagescontrastive learningdeep u-netconvolutional conditional random fields
发现论文，激发创造
  • 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

  • 通过自监督对比学习利用无标签数据进行三维医学图像分割

    我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法，最终纠正错误的预测结果，通过有针对性的验证训练过程识别不一致预测的区域并进行微调，从而提高上下文信息的利用；此外，为了自适应地调整网络的表示能力并降低预测不确定性，我们采用了自监督对比学习范式，利用网络的置信度区分可靠和不可靠的预测，并训练模型有效地最小化不可靠的预测；我们的实验结果来自于临床 MRI 和 CT 扫描的器官分割，与最先进的方法相比，证明了我们方法的有效性。

    Nov, 2023

  • DoubleU-Net: 医学图像分割的深度卷积神经网络

    提出了基于编码器解码器的方法 DoubleU-Net，该方法在一些医学图像数据集上的实验证明相比于现有方法可获得更准确的语义分割结果。

    Jun, 2020

  • 基于 GRU 网络的乳腺组织病理图像分割

    本研究提出了一种改进的 MultiResU-Net 用于组织病理学图像分割，该模型通过多尺度分析和分割复杂特征，并通过跳跃连接确保有效的特征传递；改进版本还利用基于高斯分布的注意力机制在高斯分布中合并与组织病理学相关的文本信息；最后，通过对 MultiResU-Net 的跳跃连接采用控制稠密残差块，以从编码器层向解码器层传递信息，使用从提取的空间特征导出的缩放参数，以控制的方式进行传递。验证实验表明，在 TNBC 和 MonuSeg 等两种不同类型的乳腺癌组织病理学图像数据集上，与现有方法相比，该方法展现出卓越的分割性能。该模型的代码可在该 https URL 找到。

    Jun, 2024

  • 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

  • 利用多视角数据进行无注释的前列腺 MRI 分割：对比方法

    通过对多视图数据进行对比学习，我们提出了一种基于 U-Net 的三重编码器和单一解码器网络，tU-Net，可以充分利用未经注释的矢状和冠状视图，以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进，并且在缺少视图的情况下，提供了灵活性，表明通过对比学习来利用未经注释的多视图数据的可行性。

    Aug, 2023

  • U-Net: 生物医学图像分割的卷积神经网络

    该研究提出了一种基于数据增强的网络和训练策略，用于更有效地利用可用的标注样本，以实现对神经结构的分割和细胞跟踪。研究表明，这种网络可以从极少量的图像中进行端对端的训练，并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果，且速度快。

    May, 2015

  • 使用对比自监督学习学习组织病理学应用的表示

    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。

    Dec, 2021

  • 基于实例感知的无监督核分割学习

    本文提出了一种自监督学习框架，通过对卷积神经网络进行尺度三元组学习和数量排序等两个子任务，隐式地利用细胞核大小和数量的先验知识，从原始数据中挖掘出特征表示，最终在公开数据集上取得了非常好的结果，大大提高了细胞核实例分割的准确性。

    Jul, 2020

  • Y-Net：乳腺活检图像诊断的联合分割和分类

    本研究介绍了一种用于乳腺癌诊断的简单生成分割掩模的网络，该网络可以高效地分割乳房活检图像中不同类型的组织，并同时预测识别图像中重要区域的判别映射。该网络扩展了 U-Net，通过添加判别图生成的并行支路和支持卷积块模块化实现，从而允许用户在不改变网络拓扑结构的情况下调整网络效率。与最接近的竞争对手相比，Y-Net 学习的参数少 6.6 倍，达到了最先进的分割准确性。从 Y-Net 的判别性分割掩模的描述能力的加入可以使诊断分类精度比最先进的方法提高 7%。

    Jun, 2018