对比深度编码使得基于机器学习的组织病理学具有不确定性感知能力

Sep, 2023

对比深度编码使得基于机器学习的组织病理学具有不确定性感知能力

Contrastive Deep Encoding Enables Uncertainty-aware Machine-learning-assisted Histopathology

Nirhoshan Sivaroopan, Chamuditha Jayanga, Chalani Ekanayake, Hasindri Watawana, Jathurshan Pradeepkumar...

TL;DR利用深度神经网络模型和大规模数据集进行预训练，结合不确定性损失函数和弱监督，能够实现在使用非常有限的注释数据的情况下，取得与最先进方法相媲美的分类结果。

Abstract

deep neural network models can learn clinically relevant features from millions of histopathology images. However generating high-quality annotations to train such models for each hospital, each cancer type, and

deep neural network models annotations pre-training uncertainty-aware loss function weak supervision

发现论文，激发创造

自监督一致性训练用于高效组织病理图像分析

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

处理医学图像深度学习中的小数据集：对卷积模型进行自监督预训练的 CT 扫描上对比对比度和遮码自编码器方法的评估

深度学习在医学影像中具有潜力，可以减少诊断错误的风险，减轻放射科医生的工作负荷并加速诊断。为了解决医学影像领域注释数据集不足的挑战，我们通过预先训练大型无注释图像数据集上的深度学习模型来实现自我监督学习，并提出了 SparK 预训练方法，它在小型数据集上表现更为稳健。

Aug, 2023

基于对比的深度嵌入对抗病理图像标签噪声鲁棒性分类

深度学习在医学图像分类方面取得了显著的进展，然而在组织病理学图像分类中，噪声标签表示了一个关键挑战，导致深度学习模型性能严重下降。本研究通过对多个数据集进行彻底的经验分析，展示了基于自监督对比训练方式训练的基础模型所提取出的嵌入向量对标签噪声具有较强的鲁棒性。与非对比学习方法以及常用的噪声鲁棒方法相比，使用这种嵌入向量训练能显著提高标签噪声鲁棒性，充分证明对比学习在有效降低标签噪声挑战方面的卓越性能。

Apr, 2024

用于高效半监督组织学图像分类的师生连锁模型

该论文应用半监督的师生知识蒸馏技术，使用 0.5% 的标记数据达到了与 100% 标记数据相同的准确率，减轻了标注负担，提高了自动数字病理学系统的可承受性。

Mar, 2020

一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用

通过改进监督对比学习方法，结合自监督学习和标签数据，在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率，特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。

May, 2024

医学图像分割网络的层次化不确定性估计

建立可信赖的图像分割模型既需要评估其性能又需要估计模型预测的不确定性。本研究提出了一种利用多层不确定性模块估计图像分割的简单有效方法，并证明了采用此方法实现的深度学习分割网络能够同时实现高分割性能和有意义的不确定性图，可用于识别分布之外的数据。

Aug, 2023

面向前列腺 MRI 分区分割的不确定性感知半监督学习

本研究提出了一种基于半监督学习的医学图像分割方法，该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据，并自动选择最佳的伪注释，进而在不需要全部标注的情况下，实现了分割模型在医学 3D 数据集上更好的性能，验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。

May, 2023

多人标注的分割任务中的监督不确定性量化

本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

Jul, 2019

基于不确定性引导的 OCT 图像视网膜层半监督分割

本文提出了一种利用半监督学习方法和贝叶斯深度学习进行医学图像分割的方法，改进了医学图像分割任务中，由于标记数据缺乏导致的训练深度学习方法所存在的问题，同时在视网膜层分割任务中表现出良好的性能。

Mar, 2021

通过进化策略在 MRI 中检测脉络膜转移的不确定性量化

在这项研究中，我们采用 DNE 方法训练了一个简单的卷积神经网络 (CNN)，用于眼部 MRI 图像的二分类，目的是区分正常眼睛和转移性肿瘤 (称为脉络膜转移)。通过应用这些模型到测试集，我们建立了一种用于不确定性量化的集成方法，发现主观特征能解释不确定性较高的图像，凸显了不确定性量化在基于 AI 的放射学分析中的重要性。

Apr, 2024