Dec, 2023

细粒度染色体识别的监督对比学习

PDF
TL;DR提出了一种针对可靠染色体分类训练的监督对比学习策略，通过在潜在空间中提取细粒度的染色体嵌入，扩大了类间边界和减少了类内差异，提高了预测染色体类型的准确性，可以显著提升深度网络的泛化性能。
chromosome recognitionkaryotypingcontrastive learningchromosomal embeddingsdeep networks
发现论文，激发创造
  • 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

  • ContIG：医学成像与基因组学的自监督多模态对比学习

    该论文提出了一种自监督学习算法，名为 ContIG，可从未标记的医学图像和遗传数据中学习，通过对图像和遗传数据之间的交叉模态关联进行学习，该算法在多个基准测试任务中表现良好，在了解了有关模型学习的有趣关系后，还开展了基因组广泛联想研究。

    Nov, 2021

  • 利用图像分割区分重叠的人类染色体

    采用基于神经网络的图像分割方法，可分辨部分重叠的 DNA 染色体，其结果为重叠区域的 IOU 得分为 94.7％，而非重叠染色体区域则为 88-94％。

    Dec, 2017

  • 用 RNA 对比学习改进您的预测

    通过对功能相似的基因组序列进行对比性学习，本研究提出了一种学习 RNA isoform 的通用表示方法，并在 RNA 半衰期和平均核糖体负载预测等下游任务上证实了其实用性。

    Oct, 2023

  • PARTICLE: 粒子：细粒度识别的部分发现和对比学习

    我们基于自监督学习开发了细粒度分类和分割任务的表示优化技术，通过识别部分特异变化改进了 fine-grained 分类，在卷积和视觉变换网络中聚类像素表示，利用部分中心化学习和对比在图像中对部分进行聚类，并在多个数据集上展示了在图像分类和部分分割任务上的性能提升。

    Sep, 2023

  • 利用基因表达值进行癌症预后预测的对比学习

    本文通过应用监督对比学习将肿瘤基因表达和临床数据转换为低维特征空间，并使用学习的特征训练 Cox 模型来预测肿瘤预后，提高了肿瘤预后的准确性。

    Jun, 2023

  • 基于生成对抗网络的对比细粒度类聚类

    本研究提出了一种基于信息生成对抗网络和对比学习的无监督细粒度图像聚类方法，旨在学习特征表示，促进数据集在嵌入空间中形成明显的聚类边界，同时最大化潜在编码与图像观测之间的互信息。实验结果表明，该方法在四个细粒度图像数据集上实现了最先进的聚类性能，同时缓解了模式崩溃现象。

    Dec, 2021

  • 基于 DU-Net 的无监督对比学习在组织学图像癌症分割中的应用

    介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。

    Jun, 2022

  • 基于对比学习的混合网络用于长尾图像分类

    本文研究基于对比学习的监督式分类学习策略，提出了一种混合网络结构，用于从不平衡的数据中学习更好的图像表征，以提高分类精度。具体而言，我们探索了两种对比损失的变体，以推动特征学习，从而实现更好的分类器。实验结果表明，基于对比学习的混合网络在长尾分类中优于传统方法。

    Mar, 2021

  • 监督对比学习

    本文介绍了一种基于对比学习的自我监督表征学习方法，并将其推广到全监督设置中。其中，相同类别的样本点在嵌入空间中被拉在一起，而来自不同类别的样本则被同时推开，以实现更好的分类性能。实现简单，最佳损失函数表现优于交叉熵。

    Apr, 2020