Oct, 2024

在医学成像分类中增强定位的多实例学习

HTML
PDF
TL;DR本研究解决了多实例学习在医学成像分类中定位性能不足的问题。通过提出一种新颖且灵活的机制来建模实例之间的局部依赖关系，显著提高了定位精度。研究表明，该方法在定位方面达到了最新水平，同时在分类任务中表现出竞争力或优越性。
发现论文，激发创造
  • 多实例学习: 问题特征和应用综述

    本文综合研究了不同类型的多实例学习问题的特点，并提供了解决每一类问题的方法，考察了这些特征在关键应用领域中的体现，最后通过实验比较了16种最先进的算法在所选问题特征上的性能。

    Dec, 2016

  • 非完全监督：医学图像分析中的半监督、多实例和迁移学习调查

    机器学习在医学影像领域取得显著进展。针对缺少标注数据，我们总结介绍了如何使用半监督、多示例、迁移学习等学习方法，特别是针对诊断和分割任务。同时，我们探讨了这些学习方法之间的联系和未来的研究机会。

    Apr, 2018

  • CAiD: 基于上下文感知的医学影像自监督学习实例鉴别

    该研究提出了一种基于Context-Aware instance Discrimination（CAiD）的简单有效自监督框架，用于从未标记的医学图像中提取更具区别性的特征。实验结果表明，CAiD能够丰富已有的实例区别方法所学习的表征，提供更具判别性的特征，并改善低/中级特征的可重复性。

    Apr, 2022

  • 距离感知自注意力深度多实例学习

    提出了一种新的多实例学习（MIL）模型，使用距离感知自注意力（DAS-MIL）来考虑图像中不同补丁之间的相对空间关系，以提高医学图像分析的精度。通过在 MNIST-based MIL 数据集和公开的癌症转移检测数据集 CAMELYON16 上评估我们的模型，证明了该模型超越了现有的多数MIL方法。

    May, 2023

  • ProMIL：面向医学成像的概率多示例学习

    本研究提出了一种基于深度神经网络和Bernstein多项式估计的专用实例方法ProMIL来解决多实例学习中标签分配问题，并证明其在医学应用方面胜过标准基于实例模型。

    Jun, 2023

  • PDL：使用渐进丢弃层对多实例学习进行规范化

    本研究提出了一种新的正则化方法，即渐进性丢失层（PDL），旨在解决弱监督学习中过拟合问题，并增强多实例学习模型在发现复杂和有影响力的特征表示方面的能力。通过在多个多实例学习方法中集成PDL，我们在各种基准数据集上进行了广泛的评估，结果显示PDL的整合不仅提高了分类性能，还增强了模型进行弱监督特征定位的潜力。

    Aug, 2023

  • MamMIL：基于状态空间模型的整片切片图像多实例学习

    通过将 Transformer 与多实例学习（MIL）框架结合使用整张切片图像（WSIs），我们提出了一种 MamMIL 框架，首次将选择性结构状态空间模型（即 Mamba）与 MIL 结合起来，实现了对实例依赖性的建模并保持了线性复杂性。在两个数据集上的实验证明，MamMIL 可以以比基于 Transformer 的最先进的 MIL 框架更小的内存占用来实现先进的分类性能。

    Mar, 2024

  • 关键补丁即所需：一个稳健医学诊断的多实例学习框架

    通过使用多实例学习 (MIL) 框架，我们限制深度学习模型使用信息的数量来进行最终分类，从而提高模型在医学图像分析领域的鲁棒性和解释性。

    May, 2024

  • DGR-MIL：多样全球表示在多实例学习中的探索用于整张切片图像分类

    提出了一种基于多样性全局表示（DGR-MIL）的新型MIL聚类方法，通过建模实例之间的差异，以及使用一组全局向量来从实例中提取摘要。该方法在CAMELYON-16和TCGA肺癌数据集上明显优于现有的MIL聚类模型。

    Jul, 2024

  • 重新思考多实例学习：通过弱监督自我训练开发实例级分类器

    本研究解决了多实例学习中常见的实例分类问题，提出将其视为一个半监督实例分类问题，从而充分利用带标签和未带标签的实例进行分类器训练。通过引入弱监督自我训练方法，利用正袋标签构建约束，最终在多个数据集上取得了新的最先进的性能，推动了这一领域的发展。

    Aug, 2024