组织学区域鉴定的种子迭代聚类
本文提出了一种弱监督整个切片图像分割的框架,利用标准的临床注释,采用多实例学习方案进行模型训练,并在 The Cancer Genome Atlas 和 PatchCamelyon 数据集上进行了评估,显示出一定的潜力.
Apr, 2020
本研究提出了一种基于对比的变分模型,用于生成组织病理学图像分割效果,旨在作为弱监督深度学习分割模型的可靠补充监督,并证明其在组织病理学图像分割方面的有效性和效率。
Apr, 2023
通过允许专家在数据集生成过程中融入领域知识,我们提出了一种用于细胞分割的合成数据集生成方法,可以有效地训练深度学习实例分割模型,克服了医学领域中稀缺且昂贵的注释数据的限制。
Jun, 2024
该研究提出了一个新的框架,可以使用大量的便宜的不可靠注释和较少的专家级别的干净注释训练完全卷积分割网络,使用空间可适应重新加权方法在损失函数中平衡了干净和嘈杂的像素级注释,使用元学习方法将更多的重要性分配给损失梯度方向更接近干净数据的像素,实验表明,使用空间重新加权可以改善深度网络对噪声注释的鲁棒性。
Jun, 2019
提出了一种在弱监督学习下用于疾病定位的方法,使用预训练的深度卷积网络、特征嵌入、以及基于多实例学习的顶部实例和负面证据学习等技术,即使在没有像素级别注释的情况下,仅通过图像级标签进行训练也能够展现出与强监督学习相当的性能。
Feb, 2018
本文中,我们介绍了一种吸引医学生和病理学家参与的方法,用于在乳腺癌中标注细胞核的数据集,其中建议的注释可以通过弱算法来改善,该算法可用于训练分割算法,这种方法被称为 DTALE,旨在通过核分割和形态学特征来提高核分类模型的透明度。
Feb, 2021
这篇论文提出了一种递归式的训练策略,在使用非常少的带有像素级注释的训练样本的情况下,通过使用较便宜的图像级标注扩展这个小的训练样本集,完成语义分割的任务,进而应用于颅内出血的分割。
Mar, 2020
本论文提出了一种新的模型结构,将基于补丁的分类模型和整个切片比例的分割模型相结合,以提高自动病理诊断的预测性能,并通过优化方法,使模型部分地进行端到端学习,应用于 WSI 的肿瘤 / 正常预测,与传统基于补丁的方法相比,分类的性能得到了提高。
Oct, 2019
本文提供一种深度主动学习框架,基于全卷积网络和主动学习结合提供对最有效的标注区域的建议,以显著降低标注时间,测试中仅使用 50% 的训练数据,即可达到最先进的分割性能。
Jun, 2017
本文探讨了超像素方法在肿瘤科学中的应用,并将其与其他方法进行了比较。评估结果表明,基于自编码器和适应领域的方法在定位乳腺癌 HER2 的边界方面效果更好,这为高效手动细化切片提供了支持。
Jan, 2022