本文提出了一种使用扩散模型的现实数据合成方法,以平衡核类别和扩大观察各种核的机会,并使用语义标签条件扩散模型来生成逼真且高质量的图像样本,证明该方法提高了罕见类型的核分类的分类性能,同时在不平衡病理核数据集中显示出卓越的分割和分类性能。
Jun, 2023
本文提出了一种基于部分点注释的弱监督分割框架,其中包括两个阶段的半监督策略和深度神经网络的使用,使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。
Jul, 2020
通过在大规模无标签数据集上预训练潜在扩散模型(LDM),我们提出了一种名为 HistoDiffusion 的合成增强方法,然后在未见过的有标签数据集上通过分类器引导在潜在空间中微调模型,以合成特定类别的图像,并采用选择性机制只添加与目标标签匹配度较高的合成样本,通过 HistoDiffusion 增强,使用少量原始标签,我们大幅提高了骨干分类器的分类准确率 6.4%。
Aug, 2023
本文提出了一种自监督学习框架,通过对卷积神经网络进行尺度三元组学习和数量排序等两个子任务,隐式地利用细胞核大小和数量的先验知识,从原始数据中挖掘出特征表示,最终在公开数据集上取得了非常好的结果,大大提高了细胞核实例分割的准确性。
通过扩散步骤,DiffAug 引入了一种新颖且高效的基于扩散的数据增强技术,以确保增强数据和原始数据在光滑的潜在空间中共享,从而通过无需标签、外部数据 / 模型或先前知识的约束来提高图像分类和聚类准确性,可适用于视觉和生物领域。
Sep, 2023
利用 cGAN 训练的条件生成模型,基于合成和真实数据,实现了针对不同器官、地点、患者和疾病状态的细胞核分割,优于传统方法。
Sep, 2018
本研究提出了一种无监督学习的方法,利用生成对抗网络(GAN)生成与真实组织学图像相似的组织学图像,以提高分类 CNN 的性能,该方法不仅能在缺少监督数据的情况下有效地进行癌症诊断,而且对于含有监督数据的情况仍能表现出色。
Dec, 2017
提出一种新颖的基于细胞核感知的自监督预训练框架,通过组织病理图像与伪掩膜图像之间的无配对图像转换来捕获细胞核形态和分布信息,并采用条件和随机样式表示来调节生成过程,以实现预训练图像的真实性和多样性;同时,采用实例分割引导策略来捕获实例级信息。实验结果表明,该预训练方法在 Kather 分类、多实例学习和 5 个密集预测任务上优于有监督方法,并且在 8 个半监督任务上比其他自监督方法取得了更好的结果。
我们发布了一个大规模的手工标注的细胞核数据集 NuInsSeg,其中包含来自 31 个人和小鼠器官的 665 个图像补丁,超过 30,000 个手动分割的细胞核。此外,我们首次提供了整个数据集的模糊区域掩模,用于表示图像的某些部分即使对于人类专家来说也无法精确和确定地进行手动注释。
本文中,我们介绍了一种吸引医学生和病理学家参与的方法,用于在乳腺癌中标注细胞核的数据集,其中建议的注释可以通过弱算法来改善,该算法可用于训练分割算法,这种方法被称为 DTALE,旨在通过核分割和形态学特征来提高核分类模型的透明度。
Feb, 2021