- 博客(29)
- 收藏
- 关注
RSS订阅原创 pip更换国内源
有时候，使用pip安装一些库时，地址是国外地址，这就导致国内下载会很慢，对此，可以将pip配置为使用国内的镜像源，如阿里云、清华大学、中国科技大学等。
2024-03-16 21:09:23
415
原创 论文阅读:MambaMIL: Enhancing Long Sequence Modeling with Sequence Reordering in Computational Pathology
多实例学习 (Multiple Instance Learning，MIL) 已成为在计算病理学中在整个全视野数字切片图像(Whole Slide Images，WSI) 中提取判别特征表示的主要范式。尽管取得了显著进展，但现有的MIL方法在促进实例之间全面有效的交互方面存在局限性，并且存在与计算耗时和过拟合相关的挑战。在本文中，我们在MIL中结合了选择性扫描空间状态序列模型 (Selective Scan Space State Sequential Model，Mamba)，用于具有线性复杂度的长序列建
2024-03-16 20:12:51
1060
原创 论文阅读:MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models
最近，通过使用整个全视野数字切片图像 (WSI) 将 Transformer 与多实例学习 (MIL) 框架相结合，作为癌症诊断黄金标准的病理诊断取得了卓越的性能。然而，WSIs的千兆像素性质对Transformer中的二次复杂度的自注意机制在MIL中的应用提出了很大的挑战。现有的研究通常使用线性注意来提高计算效率，但不可避免地会带来性能瓶颈。为了应对这一挑战，我们提出了一种 MamMIL 框架，通过首次将选择性结构化状态空间模型（即 Mamba）与MIL结合进行 WSI 分类，从而能够在保持线性复杂度的同
2024-03-13 21:15:55
2040
2
原创 论文阅读：Whole slide images classification model based on self-learning sampling
这是一篇发表在BSPC(Biomedical Signal Processing and Control)上的关于WSI分类的文章， 作者是上海科技大学的学生/老师。代码：暂未开源深度学习与计算病理学的结合的增加放大了整个WSI在现代临床诊断中的应用。然而，整个WSI的直接加载经常受到内存限制的阻碍。传统的将WSI分割成图像补丁进行随机抽样策略引入了冗余病理信息，无法实现端到端训练。为了解决这个问题，我们引入了一个以自学习采样为中心的WSIS分类模型。
2024-01-06 20:42:05
1912
原创 论文阅读：MuRCL: Multi-Instance Reinforcement Contrastive Learning for Whole Slide Image Classification
多实例学习 (MIL) 被广泛用于自动整张数字切片图像 (WSI) 分析，它通常包括两个阶段，即实例特征提取和特征聚合。然而，由于WSI级标签的“弱监督”，特征聚合阶段在训练有效的 MIL 模型时会受到严重的过度拟合的影响。在这种情况下，从有限的WSI级数据中挖掘更多信息对于 WSI 分析至关重要。
2023-11-19 22:14:47
191
原创 [论文阅读]AdvMIL: Adversarial multiple instance learning for the survival analysis on whole-slide images
组织学全视野数字切片图像(WSIs)的生存分析是估计患者预后的最重要手段之一。尽管已经为像素非常大(gigapiexl)的WSIs开发了许多弱监督深度学习模型，但它们的潜力通常受到经典生存分析规则和半监督学习要求的限制。因此，这些模型只为患者提供完全确定的时间到事件点估计，他们只能从目前小规模的标记WSI数据中学习。为了解决这些问题，我们提出了一种新颖的对抗性多实例学习 (AdvMIL) 框架。该框架基于对抗性时间到事件建模，并集成了多实例学习 (MIL)，这对于 WSI 表示学习来说是非常必要的。
2023-11-12 20:54:20
126
原创 [论文阅读]基于多尺度表示注意的深度多实例学习全视野数字切片图像分析
这是一篇发表于Medical Image Analysis(MIA)的论文，主要讲述的是通过多尺度表示注意机制来对wsi图像进行分析。论文题目为：Multi-scale representation attention based deep multiple instance learning for gigapixel whole slide image analysis。论文地址：https://www.sciencedirect.com/science/article/pii/S1361841523
2023-11-09 16:38:00
263
原创 [论文阅读] 用于组织病理学全幻灯片图像分类的双层特征蒸馏多实例学习(DTFD-MIL)
多实例学习 (MIL) 越来越多地用于组织病理学全视野数字切片图像 (WSI) 的分类。然而，这种特定分类问题的 MIL 方法仍然面临独特的挑战，尤其是那些与小样本队列(small sample cohorts)相关的方法。在这些方法中，WSI(包)的数量有限，而单个WSI的分辨率很大，这导致了需要从该WSI中裁剪大量的补丁(实例)。为了解决这个问题，我们建议通过引入伪包的概念来虚拟扩大包的数量，在此基础上构建了一个双层 MIL 框架来有效地使用内在特征。
2023-10-26 17:34:43
155
原创 论文阅读：SCL-WC: Cross-Slide Contrastive Learning for Weakly-Supervised Whole-Slide Image Classification
弱监督全视野数字切片图像 (WSI) 分类 (WSWC) 是一项具有挑战性的任务，其中每个 WSI (bag) 中存在大量未标记补丁(实例)，而只给出Slide标签。尽管基于多实例学习 (MIL) 的 WSI 分析最近取得了进展，但主要限制是它通常侧重于易于区分的诊断阳性区域，而忽略了在整个 WSI 中占据较小比例的阳性。为了获得更具区分性的特征，我们提出了一种新的基于跨Slide对比学习(称为SCL-WC)的弱监督分类方法，该。
2023-10-24 22:17:00
260
原创 cs231n 2023春季课程理解——lecture_13
本文简单介绍了一下自监督学习(由于以前没有接触过，所以也不是很清楚具体，大都是按照PPT中的内容点到为止，具体介绍可以看这里。
2023-08-11 19:26:58
65
原创 cs231n 2023春季课程理解——lecture_12
在这一讲中，主要介绍了对CNN的可视化以及了解图像中的哪些像素对分类起作用，其实就是通过可视化来了解CNN在训练过程中的作用，在各个层中会去寻找哪些特征。此外，介绍了风格迁移，即确定一种风格，如何将其他风格的图像上的内容转移到这种风格上。
2023-08-11 14:42:53
83
原创 cs231n 2023春季课程理解——lecture_11
在这一讲中，我们重点了解了语义分割以及目标检测。同时，介绍了一下实例分割和一些其他的与目标检测相结合的视觉任务。
2023-08-05 09:39:34
122
原创 cs231n 2023春季课程理解——lecture_10
在这讲中，我们了解了深度学习在视频中的一些应用，以及如何应用，如使用3D卷积网络来对视频分类，使用前期融合或者后期融合，再用2D卷积网络来分类；利用光流的特点，使用双流网络来对视频进行分类；结合循环神经网络和卷积神经网络的优点，使用循环卷积网络对长序列的视频进行分类(或者检测等)，对于循环卷积网络，可以借鉴自注意力机制来对改善其运行缓慢的不足等。可以利用不同模态的数据来分离同一个视频中不同的声音等。
2023-07-31 22:45:00
135
原创 cs231n 2023春季课程理解——lecture_8
在本篇文章中，简单地介绍了一下循环神经网络，同时介绍了一下它的应用，如语言模型，看图说话等。此外，还介绍了一下LSTM。
2023-07-25 15:18:55
126
原创 cs231n 2023春季课程理解——lecture_7
本文中，讲解了卷积神经网络的最后一个组成部分，激活函数。此外，还介绍了数据预处理的方法、权重初始化方法、正则化方法和超参数的选择。最终在卷积神经网络中，建议使用ReLU激活函数，初始化方法建议使用Xavier/Kaiming(就是何凯明改进的那个版本)、数据预处理建议使用均值减法、使用Batch Normalization。
2023-07-20 22:00:00
125
原创 cs231n 2023春季课程理解——lecture_6
在本文中，主要向大家讲解了常见的归一化操作，并通过一些经典的卷积神经网络来学习卷积神经网络是如何进行构建的。此外，简单的介绍了一下迁移学习。
2023-07-18 21:47:28
160
原创 cs231n 2023春季课程理解——lecture_4
在这篇文章中，我们首先介绍了深度学习目前的一些成果(近两年)，之后讲解了神经网络和反向传播。在神经网络的介绍中，讲解了一些常见的激活函数和神经网络的实现。在反向传播中，通过标量和向量分别的介绍了反向传播的计算。在下一讲中，将开始介绍卷积神经网络。
2023-07-15 23:30:03
203
原创 cs231n 2023春季课程理解——lecture_3
本篇中讲了损失函数的可视化，以及一些优化策略，最后，描述了一下梯度的计算方式以及一些梯度下降的方法。
2023-07-13 23:29:49
226
原创 cs231n 2023春季课程理解——lecture_2
在这篇文章中，我们简单地介绍了一下图像分类的挑战，以及如何去进行图像分类。在图像分类算法中，介绍了一下最近邻算法、K-最近邻算法、SVM以及Softmax分类器。同时，讲解了一下应该如何去选择参数和什么是损失函数和正则化等。
2023-07-12 21:07:21
457
原创 tensorboard显示失败解决方法
tensorboard显示失败解决方法对于使用tensorboard进行可视化，localhost:6006显示不了问题：tensorboard --logdir=‘log’ --host=127.0.0.1然后在网页输入http://127.0.0.1：6006成功解决。（log为文件所在目录）
2021-02-28 16:30:48
2265
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人