深度非对称混合模型用于无监督细胞分割

Jun, 2024

深度非对称混合模型用于无监督细胞分割

Deep asymmetric mixture model for unsupervised cell segmentation

Yang Nan, Guang Yang

TL;DR自动细胞分割是疾病诊断和药物研发中越来越重要的工具，本文提出了一种新的非对称混合模型用于无监督的细胞分割，该模型在细胞分割的性能上胜过现有的最先进的无监督模型约 2-30%（p<0.05）的提升。

Abstract

automated cell segmentation has become increasingly crucial for disease diagnosis and drug discovery, as manual delineation is excessively laborious and subjective. To address this issue with limited manual annot

automated cell segmentation disease diagnosis drug discovery unsupervised segmentation approaches asymmetric mixture model

发现论文，激发创造

深高斯混合模型用于无监督图像分割

使用深度学习、高斯混合模型和卷积神经网络方法，本研究提出了一种可以快速预测标签概率的图像分割方法，并且能部分克服高斯混合模型中忽略相邻像素相关性的缺点，通过在多序列 MRI 图像上进行心肌梗塞分割的实验证明了该方法的优势。

Apr, 2024

具有群集感知生成模型的半监督生成

本文介绍了 Cluster-aware Generative Model 这一基于深度生成模型的半监督学习方法，利用未标记的数据点探索数据自然聚类模式，同时引入部分带标记的数据对模型进行优化，有效提高了模型性能。该模型也能够在完全无监督的情况下实现优异的对数似然性能。

Apr, 2017

基于高斯混合模型的生成式语义分割模型

GMMSeg 提出了一种使用密集生成分类器进行分割的新型分割模型，以捕获类条件密度并在具有各种分割架构和 Backbone 的情况下优于鉴别模型，即使在开放性的数据集上也表现良好。

Oct, 2022

SeGMA：半监督高斯混合自编码器

提出了一种半监督生成模型 SeGMA，它是在典型的 Wasserstein 自编码器框架中实现的，可以有效地进行优化，并在标准基准数据集上达到至少与其半监督前身同样好的生成性能。

Jun, 2019

基于深度生成模型的半众包聚类

本论文考虑基于有噪声的数据子集对聚类问题进行半监督学习，提出一种新的深度生成模型和统计关系模型相结合的方法，并采用贝叶斯推断策略，采用快速（自然梯度）随机变分推断算法进行推断，实验结果显示该方法优于以往的基于众包的聚类方法。

Oct, 2018

半监督高斯混合模型的渐近贝叶斯风险

本文在贝叶斯框架下研究高维高斯混合模型的半监督学习，通过分析使用标记与未标记数据的最佳半监督方法和只使用标记数据的最佳全监督方法的差距，量化了未标记数据信息对性能的最佳提升。

Jul, 2019

时序集成扩散模型的稳健半监督分割

本研究侧重于使用扩散模型进行半监督图像分割，特别是针对领域泛化问题，结论表明较小的扩散步骤生成的潜在表示比较大的步骤更具鲁棒性，通过利用信息密集的小步骤和较大步骤的正则化效果生成预测，该模型在领域变化设置中表现出明显较好的性能且在领域内保持有竞争力的性能，突显了 DDPM 在半监督医学图像分割中的潜力并提供了优化其在领域变化下性能的见解。

Nov, 2023

高斯混合变分自编码器的深度无监督聚类

我们研究了一个变分自编码器模型（VAE）的变体，其中高斯混合作为先验分布，通过深生成模型实现无监督聚类，通过最小信息约束启发式，缓解了过度正则化问题，并在合成数据、MNIST 和 SVHN 上证明了模型的性能。

Nov, 2016

深度半监督知识蒸馏用于重叠宫颈细胞实例分割

本文提出了一种基于深度学习的半监督知识蒸馏方法，通过标注和未标注的数据进行数据训练，建立了一个包含教师和学生网络的 Mask-guided Mean Teacher framework with Perturbation-sensitive Sample Mining (MMT-PSM)。实验表明，该方法相对于只学习标注数据的监督方法和最先进的半监督方法，显著提高了性能。

Jul, 2020

CellMixer：异质细胞群体的无标注语义细胞分割

近年来，已经提出了几种无监督的细胞分割方法，试图省略对细胞分割模型训练的繁琐像素级注释的要求。本文介绍了一种名为 CellMixer 的创新无标注方法，用于异质细胞群体的语义分割。我们基于数据增强的方法可以通过图像级标签的训练来构建分割模型，我们的结果表明 CellMixer 在多种细胞类型和成像模态下可以实现竞争性的分割性能，展示了该方法在医学成像、细胞生物学和诊断学等领域的可扩展性和潜力。

Dec, 2023