May, 2024

基于部分标签比例的全切片图像分割的学习

PDF
TL;DR本文通过利用不完全的标签比例解决了整个切片图像中肿瘤亚型的分割问题，提出了一个高效的算法将其分解为两个弱监督学习子问题：多实例学习和从标签比例中学习，从而有效地进行优化。该算法在两个整个切片图像数据集上经过实验证明了其有效性。
tumor subtypeswhole slide imagespartial label proportionslearning from partial label proportionsweakly supervised learning
发现论文，激发创造
  • 可训练原型增强的多示例学习用于全切片图像分类

    该研究论文提出了一种基于原型学习和多实例学习的 Trainable Prototype enhanced deep MIL (TPMIL) 框架，用于弱监督下的 WSI 分类，其不需要依赖于选定的图像补丁，能够更准确地识别肿瘤亚型。

    May, 2023

  • 无监督互相转换器学习用于多千兆像素全切片图像分类

    提出一种基于相互 Transformer 学习的全无监督 WSI 分类算法，并在公开数据集上进行了广泛实验，证明了该方法在 WSI 分类和癌症亚型分类方面的优越性能。

    May, 2023

  • 基于弱监督学习的病理切片整体分类

    该研究提出了一种基于病理先验的多实例学习框架，通过数据增强方法和空间相关性分析，能够有效地用于癌症检测和亚型区分的医学图像分类任务。

    Jul, 2023

  • 通过标签比例遮掩学习进行比例估计

    该研究论文提出了一种基于少量细胞级标注和比例标注的比例估计方法，该方法能够方便地估计免疫治疗中的 PD-L1 比例，通过引入遮罩技术和加权焦点比例损失来解决数据不平衡问题，实验证明了该方法的有效性，并在比较中取得了最佳性能。

    May, 2024

  • 基于标签比例学习的两阶段训练

    该论文研究了从标签比例中学习的问题，针对现有基于深度学习的方法中优化目标与给定比例不一致的问题，通过对分类器施加比例验证的连续训练阶段以及引入混合策略和 Symmetric Crossentropy 方法来降低标签噪声，提高了分类性能。

    May, 2021

  • 克服基于 Patch 学习的限制，用于识别全扫描切片图像中的癌症

    本文讨论如何将深度学习用于对大型 WSI 图像进行癌症检测， 比较分析基于图像块或幻灯片的分类与需要在整个幻灯片上准确定位或分割癌症的方法之间的差异，并提出一种负数据采样策略，可显着降低假阳性率，并在肿瘤范围的错误率上取得 15% 的减少。

    Dec, 2020

  • 带有子采样的槽混合：用于 WSI 分类的简单正则化

    我们的研究通过在 WSI 中采样一部分图像碎片并引入一种高效的模型（Slot-MIL），通过注意力机制将图像碎片组织成固定数量的插槽，旨在提高 WSI 分类器的泛化性和校准性。我们的方法结合子采样、mixup 和注意力聚合模型，实现了在各种基准数据集上的最先进性能。

    Nov, 2023

  • 乳腺癌弱标签全切片图像的 PD-L1 分类

    本研究旨在基于 WSI 分析开发和比较能够根据 WSI 级别标签对乳腺癌样本的 PD-L1 阳性分类的模型，该任务包括 ROI 识别和将肿瘤分类为 PD-L1 阳性或阴性两个阶段，研究探讨了不同的特征提取方法和两个不同的训练配置，并测试了自动去除棕色伪迹的性能表现。

    Apr, 2024

  • 卫星影像中的标签比例轻量级学习

    本文旨在探讨如何使用深度学习与概率方法，基于卫星图像上的较粗标签信息，提高对细粒度标注的预测精度，并提供一套用于基准测试的数据集，以促进基于标签比例学习在地球观测领域的应用发展。

    Jun, 2023

  • 自监督对比学习的双流多示例学习网络用于全切片图像分类

    本论文提出了一种基于 MIL 的方法，用于全幻灯片图像（WSI）分类和肿瘤检测，无需局部注释，并提出了自我监督对比学习及金字塔融合机制，从而提高分类和定位的准确性。

    Nov, 2020