Sep, 2023

MIML: 微流控系统中基于机械特征的高精度细胞分类的多图像机器学习

PDF
TL;DR通过开发一种新的机器学习框架，MIML，将无标记细胞图像与生物力学属性数据结合起来，从而利用每个细胞内在的丰富形态信息，解决无标签细胞分类的特异性和速度问题，该方法在细胞分类上达到 98.3% 的准确率，可广泛应用于疾病诊断和细胞行为的理解。
发现论文，激发创造
  • MMIL：一种用于疾病相关细胞类型发现的新算法

    单细胞数据集 MMIL 的混合建模方法能够精确识别白血病细胞并跨组织和治疗时间点推广，为细胞分类提供了一种新颖的方法，有望在未知标签和高维度情况下促进疾病的理解和管理。

    Jun, 2024

  • 具有多样的互相关联结构的单阶段广义多实例多标签学习及其在医学图像分类中的应用

    该研究提出了一种名为 BMIML 的新单阶段框架，它包含三个创新模块：基于 BLS 的自动加权标签增强学习、可缩放多实例概率回归（SMIPR）和交互式决策优化（IDO），可以在单个阶段中实现整个图像、实例和标签之间的多样互相关系学习，以提高分类准确性并快速训练，同时在准确性方面高度竞争，并且速度比大多数 MIML 方法快得多，甚至对于大型医学图像数据集（>90K 图像）也是如此。

    Sep, 2022

  • 推动细胞分割模型在成像质谱细胞学中的极限

    通过去除细胞注释中的 50% ，学习性的分割模型表现的结果只比完整的标签相应的模型降低了 DSC 指标，表明可以至少减少一半的注释时间而不影响性能，并且单一组织模型与多组织模型在新颖组织类型上的性能差异微乎其微，并且通过多次增加最差性能模型的训练可以提高其性能。

    Feb, 2024

  • 基于图形的标签增强多示例多标签学习

    本文提出了一种基于图标签增强的新的多实例多标签分类学习框架（GLEMIML）以提高分类性能和利用标签的重要性。GLEMIML 首先通过建立图识别实例之间的相关性，然后通过非线性映射将从特征空间挖掘到的隐含信息迁移到标签空间，从而恢复标签的重要性，并通过匹配和交互机制训练增强的数据，GLEMIML (AvgRank:1.44) 在多个基准数据集上表现出比 SOTA 方法 (AvgRank:2.92) 更好的结果。

    Apr, 2023

  • 多组学预测深度学习高内容细胞成像

    使用 Image2Omics 深度学习方法，预测细胞群体内来自高含量显微图像的多重荧光染色数据；结果表明，细胞成像可能是多重组学测量的可替代方法。

    Jun, 2023

  • 基于深度学习的白细胞可解释分类研究

    这项研究探讨了无标记法对白细胞自动分类的置信度估计的校准，比较了不同的可视化解释方法，并且在血细胞分析的不同场景中展示了这些方法的实用性。

    Nov, 2023

  • 基于注意力的多实例混合模型

    GMIL 是一种整合广义线性混合模型（GLMM）和多示例学习（MIL）的框架，利用预定义的细胞嵌入增强计算效率，揭示了单细胞数据中的新关联和揭示了不同领域的生物学机制。

    Nov, 2023

  • 基于回归的多模态单细胞数据整合策略分析

    利用多模式单细胞技术，通过整合不同数据类型并建模模态之间的相互关系，为疾病生物标志物检测和药物发现提供了改进，实验结果表明机器学习技术对于建模细胞发展中 DNA 到 RNA 及蛋白质之间的协变性具有显著效果，有望推动对细胞分化和功能的理解并发挥机器学习的潜能。

    Nov, 2023

  • 多实例多标签学习

    本文提出了 MIML（多实例多标签学习）框架，可以更方便、更自然地表示具有多重语义含义的复杂对象，并基于简单的退化策略提出了 MimlBoost 和 MimlSvm 算法。同时，本文还提出了用于解决 MIML 问题的 D-MimlSvm、InsDif 和 SubCod 算法，并在实验中证明了它们的优异表现。

    Aug, 2008

  • 多尺度注意力多实例学习用于多千兆像素组织学图像分类

    本文提出了一个深度学习管道，以多个实例学习和注意力机制对组织检查图像进行分类，并成功实现了对鼻咽癌的 LMP1 状态预测。通过可视化注意力分数，该方法还允许对模型的解释性进行检查。

    Sep, 2022