Mar, 2023

使用筛选输入的t-SPN的最大间隔学习用于细胞分类

HTML
PDF
TL;DR本文基于树状和积网络（t-SPN）算法，使用最大边际准则（MM）和L2正则化学习，结合理想高通滤波和Laplacian of Gaussian（LOG）滤波，对细胞进行分类，在HEp-2和Feulgen基准数据集上取得了比卷积神经网络更高的分类准确率，其中，理想高通滤波在HEp-2数据集上最为有效，Laplacian of Gaussian滤波在Feulgen数据集上最为有效。
发现论文，激发创造
  • Sum-Product Networks: 一种新的深层网络结构

    提出了一种新型深层架构——求和积网络（SPN），通过学习和推理，SPNs能够实现比标准深层网络更快和更准确的图形建模推理，例如在图像完成任务方面表现优异。

    Feb, 2012

  • 安全的半监督求和-积网络学习

    介绍了使用半监督学习来学习 Sum-Product Networks 的参数，并证明该方法具有计算效率高、不强制要求数据分布、能保证性能、可以进行生成和判别学习等多种优势.

    Oct, 2017

  • 基于关系网络和本地化图卷积过滤的乳腺癌亚型分类的混合方法

    本文提出了一种混合模型，该模型将图卷积神经网络和关系网络组合在一起，在乳腺癌亚型分类和患者存活分析的实验中，该模型表现出了比现有方法更好的性能。

    Nov, 2017

  • 多级激活用于层级嵌套类别的分割

    本研究提出一种新颖的方法，通过多层激活层和三种兼容的损失来编码基于拓扑学的先验信息，以解决生物图像分割任务中的问题，并在2018年的Data Science Bowl挑战中验证了该方法的效果，可以大幅提高分割的Dice分数。

    Apr, 2018

  • 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

  • SplineNets: 连续神经决策图

    SplineNets是一种新颖的卷积神经网络中使用条件的实用方法，可以显著降低CNN的运行时复杂度和计算成本，同时保持甚至提高精度。

    Oct, 2018

  • C2G-Net：利用形态属性进行图像分类

    该研究提出了一种名为C2G-Net的图像分类管道，旨在利用具有大量类似物体（如生物细胞）的图像的形态特性。C2G-Net包括两个组成部分：(1) Cell2Grid，一种通过细胞分割并将其排列在网格上的图像压缩算法；(2)DeepLNiNo，一个具有不到10,000个可训练参数的CNN体系结构，旨在简化模型的可解释性。与在原始图像上训练的传统CNN架构相比，C2G-Net在预测结肠癌复发风险方面的准确率相似，但训练时间缩短了85％，其模型更易于解释。

    Jul, 2020

  • 微观视频细胞跟踪的图神经网络

    提出了一种基于图神经网络的细胞追踪方法，通过对细胞实例进行建模和关联，提取整个时间序列的细胞轨迹并使用新型的图神经网络块类型进行相互更新，最后通过解决边分类问题构建细胞的轨迹和谱系树。该方法在2D和3D数据集上的实验结果表明其优于目前大部分细胞追踪方法，在细胞追踪和突出细胞形态变化上具有优势。

    Feb, 2022

  • 归纳节点分类的神经结构化预测

    本文提出了一种新的方法：结构化代理网络（SPN），它结合了条件随机场（CRFs）和图神经网络（GNNs）的优点，通过解决一个近似的优化问题来有效学习模型，用于无标签测试图上的节点标签推断，实验结果表明SPN优于许多竞争对手。

    Apr, 2022

  • 生物医学领域中基于紧凑型网络的图像分类半监督学习

    本文研究如何利用半监督学习技术解决深度紧凑架构在生物医学图像分类中的问题。使用三个紧凑网络家族和两个半监督学习技术家族来比较不同方法在 10 个生物医学任务中的性能，最终结合数据蒸馏和 MixNet 及 ResNet-18 等取得最佳结果，并为此开发了一个简化紧凑模型构建的库。

    May, 2022