对比细胞表示学习(CCRL)
本文旨在填补计算病理学领域中,目标检测和分割缺乏自监督学习方法的空白。我们基于自监督学习提出了一种概念对比学习方法,通过实验验证在不依赖外部算法和模型的情况下,相较于其他方法在不同设置下更为优秀。我们总结了此方法的核心组成部分,提供了有用的数据点,并鼓励其他研究者探索类似的预训练方法。
Jul, 2022
本文提出了一个名为 DrasCLR 的新型自监督学习(SSL)框架,采用基于实例鉴别的 SSL 方法,通过两种特定于领域的对比学习策略,在 3D 医学成像中提取具有解析解剖学特定功能的特征,可用于不需要冠军数据来完成许多下游任务,比如肺部图像的预测和分割任务,包括病人存活预测任务和广泛且密集预测的肺气肿子类型检测,这可以大大减少注释精力,并且证明了在自监督学习框架中引入解剖上下文的重要性。
Feb, 2023
本文介绍了一种利用自监督学习和对比学习实现的影像分割技术,该技术可以在大量没有标注数据的情况下学习,并且在三个磁共振成像数据集上验证了其有效性。
Jun, 2020
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
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
本文提出了一种名为 HiDisc 的自我监督对比学习框架,用于学习临床生物医学显微镜图像中肿瘤的高质量视觉表示,结果表明 HiDisc 预训练方法在癌症诊断和基因突变预测方面优于当前最先进的自我监督预训练方法,并且使用自然数据多样性学习高质量的视觉表达。
Mar, 2023
本文深入分析了自监督学习的机制以及其对表示学习的影响,揭示了自监督学习在样本聚类方面的潜在驱动作用,同时证实了该方法所训练的表示与语义类别之间存在着密切的对齐关系,并且这种对齐关系随着训练和网络深度的加深而不断增强,这对于提高自监督学习方法的性能和效果具有重要的理论和实际意义。
May, 2023