Sep, 2023

注意力去稀疏化的重要性：在数字病理学表示学习中诱导多样性

PDF
TL;DR我们提出了 DiRL，一种多样性诱导的组织病理学成像表示学习技术。通过细胞分割密集提取多个组织病理学特定表示，并提出了一种先验引导的密集预训练任务，以匹配视图之间的多个对应表示。通过定量和定性分析肿瘤类型任务的多个任务，我们证明了我们方法的有效性，并观察到注意力更加全局分布。
dirlhistopathology imagingself-supervised learningcell segmentationattention distribution
发现论文，激发创造
  • 在多样病理数据集上进行自监督学习的基准测试

    本文介绍了最大规模的自监督学习预训练对计算病理学的影响，并在核实例分割等任务中证明其表现优越，并提出了领域特定技术来提高性能。

    Dec, 2022

  • 自适应自我监督学习在计算病理学中的应用

    对自我监督学习算法在计算病理学中的适应性进行了研究，包括提出了针对病理图像特点的增强方法、正则化函数和位置编码，并通过多个基准测试评估了这些改进对算法性能的影响。

    May, 2024

  • 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

  • 简化自监督学习复杂度提高计算病理学弱监督分类性能

    我们提出了一套适应性方法，可以在资源有限的环境下利用半监督自学习来进行计算病理学研究，从而提高下游分类性能并缩短自学习训练时间。

    Mar, 2024

  • 学习表示引导的扩散模型用于大规模图像生成

    该研究介绍了一种使用自我监督学习嵌入条件的扩散模型来生成高质量的病理学和卫星图像的方法。通过从自我监督学习表示中提取嵌入，可以生成大型图像，并通过生成变化的真实图像加强下游分类器的准确性。此方法在训练过程中表现出鲁棒性和普遍性，对于不同数据集的图像生成同样有效。

    Dec, 2023

  • DrasCLR: 一种用于三维医学图像学习疾病相关和解剖学特定特征的自监督框架

    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

  • 层次判别学习提高生物医学显微镜的视觉表达

    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

  • 面向计算病理学的解耦非监督表征学习

    本文利用旋转等变卷积网络的群体结构扩展了变分自编码器框架，学习了组织病理学图像的方向无关性生成因素的分离表示，在减少影响的同时提高了单细胞图像子群聚合表示的性能。

    Aug, 2020

  • 数字病理学中使用视野扩展的自监督表征学习

    本研究提出了一种新的生成模型，通过逐步生长模型学习扩展视野，从而可用于组织分类和癌症患者诊断，实验结果表明，该模型表现优异，并与其他数字病理学常用的方法相比具有优势。

    Sep, 2021

  • 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