Nov, 2023

基于自监督图卷积网络应用于细胞图的组织脑图像中揭示皮层层次

PDF
TL;DR我们介绍了一种自我监督的方法，用于检测大脑皮层的 2D 尼氏染色的组织切片中的层次结构，该方法可以加速细胞构造分析，避免注释需求并推进跨物种研究。
cerebral cortex layerscytoarchitecturemachine learning approachesself-supervised approachcross-species investigation
发现论文，激发创造
  • 使用图卷积神经网络进行组织病理学图像的可视化

    该论文提出了一种基于图卷积网络和注意机制的方法，将组织学检查作为细胞核图的形式来进行深度学习，达到疾病诊断的可解释性。

    Jun, 2020

  • 优化对比学习用于皮层折叠模式检测

    我们建立了一个自监督深度学习模型，用于检测扣带区域的皱褶模式，在包括人体连接组计划和英国生物银行在内的大规模数据集上进行了测试，并取得了量化的评估结果。

    Jan, 2024

  • 组织病理学中的直方图图表

    本论文在组织切片图像中，使用图卷积网络 (Graph Convolutional Networks, GCNs) 对细胞的多属性空间图进行建模，通过提取细胞空间排列的复杂特征以实现肿瘤分类，得到了与 Inception-v3 相当的分类准确率。

    Aug, 2019

  • 自监督特征提取在三维轴突分割中的应用

    本文提出了一种基于自监督辅助任务的神经网络方法，可以自动追踪拟束状物结构在 3D 脑成像中的分支，从而实现对亚细胞级别下轴突的自动分割和分析。

    Apr, 2020

  • 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

  • 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

  • Vox2Cortex: 基于几何深度神经网络的 3D MRI 扫描皮层表面快速显式重构

    本论文提出了一种名为 Vox2Cortex 的基于深度学习的算法，直接从 MRI 扫描中提取顶部正确且三维网格化的大脑皮层界面，相较于传统和基于深度学习的算法更快速、更精准。

    Mar, 2022

  • 数字病理学的自监督对比学习

    本文介绍一种使用 SimCLR 方法进行自监督学习的无监督学习方法，该方法在数字病理学数据集上的预训练在多项下游任务中优于在 ImageNet 上预训练的网络，F1 平均分提高了 28% 以上。

    Nov, 2020

  • NCIS：基于深色渐变地图回归和三类像素分类的 Nissl 染色组织学图像强化神经元实例分割

    本文提出了一种基于深度学习的端到端框架，用于自动分割染有尼氏小体的脑组织组织切片中的单个神经元细胞，并测试在细胞实例分割方面的性能表现优于其他深度学习方法。

    Jun, 2023

  • 朝着可解释的自动神经解剖学

    我们提出了一种新的方法来量化脑组织的微观结构，该方法基于对细胞形状进行分析得到的可解释特征的自动识别。与传统方法相比，我们的系统基于可解释特征而不是灰度值来做决策，并且可以准确地定位和识别现有的脑结构，从而有助于连接组学研究和脑电路的逆向工程。

    Apr, 2024