简化自监督学习复杂度提高计算病理学弱监督分类性能

Mar, 2024

简化自监督学习复杂度提高计算病理学弱监督分类性能

Reducing self-supervised learning complexity improves weakly-supervised classification performance in computational pathology

PDF

Tim Lenz, Omar S. M. El Nahhas, Marta Ligero, Jakob Nikolas Kather

TL;DR我们提出了一套适应性方法，可以在资源有限的环境下利用半监督自学习来进行计算病理学研究，从而提高下游分类性能并缩短自学习训练时间。

Abstract

deep learning models have been successfully utilized to extract clinically actionable insights from routinely available histology data. Generally, these models require annotations performed by clinicians, which are scarce and costly to generate. The emergence of self-supervised learnin

deep learning models self-supervised learning methods contrastive ssl computational pathology ssl training duration

发现论文，激发创造

在多样病理数据集上进行自监督学习的基准测试

本文介绍了最大规模的自监督学习预训练对计算病理学的影响，并在核实例分割等任务中证明其表现优越，并提出了领域特定技术来提高性能。

Dec, 2022

自适应自我监督学习在计算病理学中的应用

对自我监督学习算法在计算病理学中的适应性进行了研究，包括提出了针对病理图像特点的增强方法、正则化函数和位置编码，并通过多个基准测试评估了这些改进对算法性能的影响。

May, 2024

组织病理学的领域特定优化和多样化自监督模型评估

建立和评估组织病理学基础模型在自我监督学习中的价值，并发现领域特定方法可以进一步提高性能。

Oct, 2023

利用聚类约束改善组织病理学图像的表征学习

最近整个切片图像（WSI）扫描仪和计算能力的进展显著推动了人工智能在组织病理学切片分析中的应用。

Oct, 2023

利用自监督深度学习增强乳腺癌筛查乳腺 X 线摄影的检测能力

本研究探讨了基于强数据扩充的无监督自我学习技术在人工智能应用中的重要作用，以乳腺癌检测为例，通过实验验证表明使用该技术可以大幅提高数据利用率，而且更容易迁移到其他数据集，是医学图像人工智能领域迈向无监督学习和去掉传统稀缺标签的重要突破。

Mar, 2022

基于先进深度学习的弱监督、半监督和自监督技术在组织病理学图像分析中的标签高效自动诊断和分析：全面调查

该研究综述了计算病理学领域中基于弱监督学习、半监督学习和自监督学习方法的最新研究，重点讨论了这些技术所面临的关键挑战和未来的发展趋势。

Aug, 2022

ConCL: 病理图像中密集预测预训练的概念对比学习

本文旨在填补计算病理学领域中，目标检测和分割缺乏自监督学习方法的空白。我们基于自监督学习提出了一种概念对比学习方法，通过实验验证在不依赖外部算法和模型的情况下，相较于其他方法在不同设置下更为优秀。我们总结了此方法的核心组成部分，提供了有用的数据点，并鼓励其他研究者探索类似的预训练方法。

Jul, 2022

有限标注医学图像分割的全局和局部特征的对比学习

本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

Jun, 2020

GenSelfDiff-HIS: 使用扩散进行组织病理学图像分割的生成式自监督

通过利用生成扩散模型，我们提出了一种自监督学习方法，用于分割组织病理学图像，并采用基于多损失函数的微调方法进行下游任务。

Sep, 2023

DrasCLR: 一种用于三维医学图像学习疾病相关和解剖学特定特征的自监督框架

本文提出了一个名为 DrasCLR 的新型自监督学习（SSL）框架，采用基于实例鉴别的 SSL 方法，通过两种特定于领域的对比学习策略，在 3D 医学成像中提取具有解析解剖学特定功能的特征，可用于不需要冠军数据来完成许多下游任务，比如肺部图像的预测和分割任务，包括病人存活预测任务和广泛且密集预测的肺气肿子类型检测，这可以大大减少注释精力，并且证明了在自监督学习框架中引入解剖上下文的重要性。

Feb, 2023