Aug, 2024

MergeUp增强的半弱监督学习在全切片图像分类中的应用

HTML
PDF
TL;DR本研究解决了全切片图像分类中的手动标注稀缺和图像高分辨率带来的问题。通过将弱监督学习任务转化为半弱监督学习，提出了自适应伪包增强（AdaPse）和MergeUp特征增强技术，从而提高模型的训练数据多样性。实验结果表明，该方法在多个数据集上的表现优于现有最先进的技术，展示了其在全切片图像分类中的有效性。
发现论文，激发创造
  • 整体病理图像的干预袋多实例学习

    本文提出了一种名为Interventional Bag Multi-Instance Learning（IBMIL）的新方案，该方案通过后门调整实现干预式训练，从而消除了包上下文先验的偏差，克服了现有MIL方法的一些局限性，提高了WSIs分类的性能表现。

    Mar, 2023

  • 基于变分信息瓶颈的特定任务微调，用于弱监督病理全幻灯片图像分类

    该研究提出了一种利用信息瓶颈理论实现的高效WSI微调框架，通过微调主干来实现仅依赖于WSI级弱标签的任务特定表示，显著提高了准确性和泛化性。

    Mar, 2023

  • ProtoDiv：原型导向的一致伪包分裂用于全幻灯片图像分类

    本文提出了一种新的整张图像分类的方案 ProtoDiv，采用一个装袋原型来引导 WSI 伪装袋的划分，取得了比传统方法更好的分类性能。

    Apr, 2023

  • 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

  • 基于屏蔽的困难实例挖掘的多实例学习框架用于全切片图像分类

    通过应用基于注意力机制的多示例学习方法，创新地利用硬样本在分类边界建模中的好处，提出一种新的多示例学习框架，使用掩码硬实例挖掘（MHIM-MIL）的思想，旨在使学生模型学习到更好的判别边界。实验证明，MHIM-MIL 在性能和训练成本方面优于其他最新方法。

    Jul, 2023

  • 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

  • Shapley值支持的渐进式伪样本增强用于全幻灯片图像分类

    使用合作博弈理论灵感，结合Shapley值和注意力机制，改进多实例学习方法，提高实例级别信息的估计准确性和幻灯片标签的预测性能。通过实验证明，在计算病理学领域的CAMELYON-16、BRACS和TCGA-LUNG数据集上，我们的方法优于现有最先进的方法，提供了更好的解释性和类别洞察，并将代码在接受后进行发布。

    Dec, 2023

  • 用于全幻灯片图像分类的紧凑、无偏负实例嵌入

    整张切片图像分类中，使用多实例学习和半监督方法来改善基于切片级注释的分类算法，通过在正常切片上引入自由标注信号来减少切片间的变异性并捕捉常见变异因素，该方法显著提高了预测性能并优于其他半监督算法。

    Feb, 2024

  • 动态策略驱动自适应多实例学习用于整张切片图像分类

    将动态实例采样和强化学习集成到一个统一的框架中，形成一种新的动态策略实例选择方案，以改进实例选择和特征聚合，用于更好和更可靠的决策制定。

    Mar, 2024