Nov, 2023

核分割的两阶段联合传导和归纳学习

PDF
TL;DR在诊断和治疗癌症疾病中，基于人工智能的组织病理学图像中的细胞核分割是一项至关重要的任务，它减少了手动筛查显微组织图像所需的时间，并且能够解决病理学家在诊断过程中的冲突。本研究提出了一种新颖的细胞核分割方法，利用了可用的带标签和未标签数据。该方法将之前分别尝试过的归纳学习和传导学习的优势结合到一个框架中。归纳学习旨在逼近泛函并推广到未见的测试数据，而传导学习则有利于利用未标签的测试数据来改善分类。据我们所知，这是第一项提出在医学图像分割中采用这种混合方法的研究。此外，我们提出了一种新颖的两阶段传导推理方案。我们在 MoNuSeg 基准上评估了我们的方法，以展示其效果和潜力。
ai-assisted nuclei segmentationhistopathological imagesdeep learningtransductive and inductive learningmedical image segmentation
发现论文，激发创造
  • 联合归纳和传递学习的视频物体分割

    本文提出了一种结合转导学习和归纳学习的框架，以准确和稳健地进行半监督视频对象分割，其中转导分支采用轻量级 Transformer 架构来聚合富有时空特征，而归纳分支则执行在线归纳学习以获取有区别的目标信息。

    Aug, 2021

  • 基于实例感知的无监督核分割学习

    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。

    Jul, 2020

  • 利用组织病理图像中的部分点注释进行弱监督深度细胞核分割

    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

  • 组织病理图像中多个器官核分割的深度对抗训练

    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

  • 循环学习：连接图像级标签和细胞核实例分割

    本文提出了一种称为循环学习的新型图像水平弱监督方法，应用于核实例分割，通过将前端分类和后端半监督实例分割任务相结合，循环共享知识，从图像级标签中提取潜在信息，实现更好的优化，其在三个数据集上的实验均表现出优秀的广泛性，并取得了与完全监督方法可比较的性能。

    Jun, 2023

  • 一种肝癌数字组织病理学切片分类的转导式少样本学习方法

    本文提出了一种新的方法，利用少样本学习对 2D 组织学病理学图像进行分类。通过在组织学切片上应用滑动窗口技术，我们揭示了转导学习（即在补丁上进行联合预测）在实现一致准确分类中的实际效益。我们的方法采用基于优化的策略，主动惩罚每个窗口内大量不同类别的预测。我们在组织学数据上进行实验证明了我们方法的有效性以及提高自动癌症诊断和治疗过程的潜力，同时减少了专家标注所需的时间和精力。

    Nov, 2023

  • 融合具有不同标签集的数据集以改进细胞核分割和分类

    深度神经网络在组织病理学图像中进行细胞核分割和分类，可以通过自动化细胞计数和形态计量评估帮助病理学家诊断癌症等不同疾病，而训练数据集的大小对深度神经网络的准确性具有重要影响。我们提出的方法是针对具有相关但不相同类别集的多个数据集进行实例分割和分类的深度神经网络训练，通过利用粗到细的类别层次结构并在数据集中使用互斥类别来改善分类性能和推广性能的定量与定性结果。该方法适用于各种损失函数、深度神经网络体系结构和应用领域。

    Oct, 2023

  • 基于核心感知的自监督预训练：使用图像对图像转换技术的非配对组织病理学图像

    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。

    Sep, 2023

  • 通过非确定性的训练时间和确定性的测试时间染色归一化提升基于深度学习的细胞核实例分割的泛化能力

    借助数字病理学和自动扫描保存整张组织学图像的显微系统的出现，越来越多地使用计算机方法来分析获取的图像。在各种组织学图像分析任务中，核实例分割在各种临床和研究应用中起着基础作用。然而，深度学习（DL）方法在处理未见数据集时性能通常下降。本文提出了一种改进基于 DL 的自动分割方法泛化能力的新方法，该方法利用一种最先进的基于 DL 的模型作为基准，并将非确定性训练时间和确定性测试时间染色归一化结合起来。实验结果表明，与基线分割模型相比，提出的方法在基于 Dice 分数、聚合 Jaccard 指数和全景质量得分分割核实现方面分别提供了高达 5.77％、5.36％和 5.27％的性能改进。

    Sep, 2023

  • 基于扩散的核细胞图像分割数据增强

    本文介绍了一种基于扩散的核分割增强方法，通过合成大量标记图像，以提高分割模型的性能。实验结果表明，通过将 10％的真实标记数据集与合成样本相结合，可以实现与完全监督基准相媲美的分割结果。

    Oct, 2023