May, 2023

数字病理图像的自适应域泛化

HTML
PDF
TL;DR研究关注于组织学培训中的颜色和扫描仪变化对人工智能的影响，并介绍了能够适应领域变化的测试时间训练技术。
发现论文，激发创造
  • 领域对抗神经网络解决组织病理学图像外观差异问题

    通过对颜色进行增强和基于领域对抗训练的方法，可以改善深度学习方法的泛化能力，从而提高乳腺癌组织学图像中有丝分裂的检测效果。

    Jul, 2017

  • 深度学习在组织病理学中的领域转移研究

    该论文研究了卷积神经网络在组织病理学中用于肿瘤分类的应用，分析了数据增强和归一化对模型性能和表示学习的影响，提出了衡量模型领域差异距离的新方法，结果表明训练数据的准备对学习结果有很大影响。

    Sep, 2019

  • 领域适应学习: 改进损失函数组合的组织学图像无监督适应

    这篇论文提出了一种针对H&E染色组织学图像的无监督领域自适应(UDA)的新方法，通过利用组织结构和细胞形态等组织学特征来提高领域适应性能。该方法在准确性、鲁棒性和泛化性方面经过了广泛评估，并且在FHIST数据集上的实验结果表明，我们提出的方法(Domain Adaptive Learning，DAL)明显超过了基于ViT和CNN的最先进方法分别有1.41%和6.56%的提升。

    Sep, 2023

  • 组织病理学的领域特定优化和多样化自监督模型评估

    建立和评估组织病理学基础模型在自我监督学习中的价值，并发现领域特定方法可以进一步提高性能。

    Oct, 2023

  • 计算病理学中的领域泛化：调查与指南

    深度学习模型在计算病理学中表现出了卓越的效果，通过解决复杂的组织学图像分析应用中出现的外域数据问题，降低了经过训练的模型对于具有稍微不同数据分布的未见数据的泛化能力。

    Oct, 2023

  • 利用样式增强特征域混合的组织病理学图像分析以提高泛化能力

    本研究提出了一种基于特征域风格混合的技术，利用自适应实例归一化生成具有风格增强版本的图像。通过与现有的基于风格迁移的数据增强方法进行比较，发现该方法在计算和时间上要求较低的情况下表现相似或更好。研究结果展示了特征域统计混合在组织病理学图像分析学习模型的泛化中的潜力。

    Oct, 2023

  • 内存高效的增量组织病理学分类提示调节

    近期的研究在组织病理学分类方面取得了显著进展，提出了一种基于内存高效的提示调优框架，通过使用领域特定和领域不变的提示来提高模型的泛化能力，并且在乳腺癌转移分类和上皮结缔组织分类等任务上表现出卓越的性能和内存效率。

    Jan, 2024

  • 无源领域自适应散病理学弱监督目标定位模型

    基于深度学习的数字病理学已经在基于组织学图像的癌症诊断中变得流行。本文关注无源领域自适应（SFDA）问题，在组织学中对弱监督目标定位模型的分类和定位准确性中进行了比较。

    Apr, 2024

  • 自监督视觉Transformer是可扩展的领域泛化生成模型

    我们提出了一种新颖的生成方法用于组织病理学图像的领域泛化，通过使用一种生成的自监督视觉转换器从图像片段中提取特征，并将它们无缝地融合到原始图像中，从而创建具有不同属性的新颖的合成图像，丰富数据集，从而提高深度学习模型在未见领域中的泛化能力。

    Jul, 2024

  • 计算病理学中的领域泛化算法基准测试

    本研究解决了计算病理学中深度学习模型在应用于未见数据时性能下降的问题，缺乏对领域泛化算法的系统评估。通过对30种领域泛化算法在3个不同难度的计算病理学任务上的7560次交叉验证进行基准测试，发现自监督学习和染色增强 consistently 超过其他方法，同时引入了新的全癌症肿瘤检测数据集（HISTOPANTUM）作为未来研究的基准。

    Sep, 2024