本文介绍了一种基于点的细胞检测和分类框架,该框架采用了直接回归和分类方法,并采用金字塔式特征聚合策略同步处理底层特征和高层语义。实验结果表明,该方法在在免疫组织化学图像的分析中有着较高的准确性和效率,并具有较高的协助病理学家评估的潜力。
Jul, 2022
本研究提出了一种基于对比自我监督学习的模型 (CCRL),通过细胞对比表示学习方法,将其应用于细胞聚类任务,证明了该模型可以在不用大规模标记数据的情况下,在两个不同组织类型的数据集上实现比目前所有细胞聚类模型更好的性能,可为自动细胞表示学习开辟一条新途径。
Aug, 2022
该研究提出了一个使用半监督学习方法的框架,利用未标记的 WSI 数据通过 Minimal Point-Based 标注来准确检测癌症区域,并利用创新的混合损失来训练亚型分类模型,该模型在 3 种不同类型的肾细胞癌中的表现具有可比性和较高的 F1 得分。
Aug, 2020
本研究使用深度学习算法和点标签编码方法,实现对 PMS2 染色大肠癌和扁桃体组织图像进行单个细胞检测和分割的目标,相比现有技术,本算法在不增加标注工作的情况下显著提高了细胞检测和分割的效果。
Oct, 2019
最近整个切片图像(WSI)扫描仪和计算能力的进展显著推动了人工智能在组织病理学切片分析中的应用。
Oct, 2023
本文提出了一种新的 Pseudo-Labeling 半监督三维目标检测框架,通过引入 STE 和 CBV 模块提高了教师模型的性能,同时提出了 BCL 软监督信号来减小错误样本对训练的负面影响。实验证明,在 ONCE 和 Waymo 数据集上,我们的方法显著提高了基线,同时在 Waymo 数据集上,只使用了一半的注释即可超过完全注释的 oracle 模型。
本文提出了一种基于自学习的方法,即协同知识共享,用于在单细胞分割模型的弱监督训练中,通过共享主模型和轻量级协作者模型之间的知识来缓解大规模训练数据的需要。实验结果表明该方法在不需要大规模手动标注训练数据的情况下,能够取得较好的单细胞分割效果。
Apr, 2023
利用基于多分辨率背景下组织病理全切片图像的潜在上下文线索的自我监督预训练任务,以及新型的师生半监督一致性模式,使用任务无关和任务特定无标签数据来学习强大的监督信号进行无监督表征学习,并在有限标签数据下表现出与其他现有最先进方案相近乃至优越的性能。
Feb, 2021
本文介绍了一种基于深度学习的微观细胞图像语义分割,提出了针对数据量少的高效学习框架,并提出了一次学习和部分监督学习这两种学习策略以及使用小提示图像的新型分割方法。实验结果证明,与传统方法相比,提出的方法提高了 Dice 系数 (DSC)。
该论文的主要研究方向是关于使用无标签方法进行细胞识别,通过先前的自激活图生成伪掩膜作为训练目标,并引入语义聚类模块将先前的自激活图转换为像素级语义伪掩膜,在细胞分割和多类别细胞检测的数据集上取得了竞争性的性能,同时还展示了先前自激活图在解决医学领域标签不足问题方面的潜力。
Aug, 2023