- 博客(246)
- 问答 (12)
- 收藏
- 关注
RSS订阅原创 ViT中的池化知识
CLS token 是一个在输入序列的开头添加的特殊 token，其输出特征通常被用作整个图像的表示，以进行分类任务。在 ViT 模型中，通常会在输入的补丁序列前添加一个特殊的分类 token（CLS token）。: 在模型训练和推理时，CLS token 的输出被用作图像的最终特征表示，进行分类或其他任务。: 对所有补丁的输出进行最大化操作，得到图像的特征表示。: 对所有补丁的输出进行平均，以获得图像的整体表示。
2024-07-25 21:58:32
320
原创 相对位置偏置代码解析
假设,则 2 * window_size - 1 = 13；嵌入层的大小为13*13=169，创建一个大小为169*4的嵌入矩阵。
2024-07-24 16:52:56
691
原创 乳腺组织病理学图像中浸润性导管癌的增强CNN结构检测
浸润性导管癌(Invasive Ductal Carcinoma, IDC)被认为是最常见的乳腺癌亚型，早期发现浸润性导管癌对于制定治疗方案和改善治疗效果至关重要。因此，IDC的自动识别将有助于病理学家的诊断，并提供有价值的第二意见。该数据集包含277,524个补丁，其中IDC阴性图像198,738个，IDC阳性图像78,786个。
2024-07-19 10:33:28
622
原创 基于纹理和统计图像特征集成的计算机辅助乳腺癌检测
诊断通常使用组织病理学切片，可以确定组织是否处于导管原位癌(DCIS)阶段，其中癌细胞尚未扩散到周围乳腺组织，或浸润性导管癌(IDC)阶段，其中细胞已渗透到邻近组织。对于医生来说，检测IDC非常耗时且具有挑战性。因此，这可以建模为图像分类任务，其中模式识别和机器学习可用于帮助医生和医疗从业者做出此类关键决策。在本文中，使用包含277,524张图像的IDC乳腺癌数据集(其中78,786张IDC阳性图像和198,738张IDC阴性图像)将图像分为IDC(+)和IDC(-)。
2024-07-18 21:17:31
702
原创 迁移学习在乳腺浸润性导管癌病理图像分类中的应用
乳腺癌主要有两种类型:原位癌:原位癌是非常早期的癌症，开始在乳管中扩散，但没有扩散到乳房组织的其他部分。这也称为导管原位癌(DCIS)。浸润性乳腺癌:浸润性乳腺癌已经扩散(侵入)到周围的乳腺组织。侵袭性癌症比原位癌更难治愈。将乳汁输送到乳晕的管道是大多数乳房生长开始的地方(导管癌)。在本文中，使用了一组浸润性导管癌(Invasive Ductal Carcinoma, IDC)数据集，它是一种非常常见的癌症类型，比原位癌具有更高的致死性。肿瘤分级是一种常用的疾病侵袭性评估，用于检查浸润性癌症。
2024-07-18 18:25:24
683
原创 基于自编码器和孪生框架的乳腺组织病理图像分类方法
一种使用Siamese框架约束作为特征提取器的AE，用于构建乳腺癌组织病理图像分类的端到端网络模型。该模型旨在通过最小化输入和输出图像之间的距离来学习有用的图像特征，同时保持特征提取的类间距离尽可能大，类内距离尽可能小。该模型将AE网络强大的特征提取能力与Siamese框架的特征距离约束相结合，获得更容易判别的图像特征。此外，输入图像的多尺度变换使网络模型能够同时学习全局和局部信息。实验结果表明，从多尺度输入中提取的特征可以显著提高分类性能，特别是当使用Siamese框架进行特征距离约束时。
2024-07-18 17:20:34
841
原创 基于深度残差网络迁移学习的浸润性导管癌检测
癌症是一种异常细胞不受控制地分裂损害健康组织的疾病。皮肤或覆盖我们内脏的组织中的癌细胞被称为癌。乳房中的大多数癌是导管癌。侵袭性导管癌(Invasive Ductal Carcinoma, IDC)始于乳管，侵犯乳房周围纤维组织，晚期可通过血液扩散至淋巴结或身体其他部位，威胁患者生命。这种恶性肿瘤的治疗取决于它的分期、严重程度和它所属的亚型。事实证明，早期诊断有助于减少治疗过程中的并发症，从而提高患者的生存几率。IDC癌的诊断可基于病理任务，包括显微镜观察和多片载玻片检查。
2024-07-18 11:35:25
886
原创 从现代CNN到Vision Transformer:评估组织病理学中深度学习模型的性能、鲁棒性和分类策略
机器学习(ML)有可能改变组织病理学领域，病理学专家在显微镜下视觉检查染色的组织标本，例如癌症诊断。新的机器学习技术使得对大量数字化整张幻灯片图像(WSI)的快速、自动分析成为可能，并有望减轻传统工作流程中由人类专家进行耗时检查的负担。自动图像分析也有可能通过定量指标来增强这些工作流程，例如，通过准确量化整个WSI的肿瘤浸润淋巴细胞，而不是依赖于粗略的视觉估计。这些创新的改进主要是由深度学习(DL)的稳步发展推动的，深度学习是ML的一个分支学科，专注于多层神经网络。
2024-07-18 10:57:06
925
1
原创 PiT : 基于池化层Pooling layer的Vision Transformer
CNN的降维原理;随着深度的增加，传统CNN的通道维数增加，空间维数减少。经验表明，这样的空间降维对变压器结构也是有益的，并在原有的ViT模型的基础上提出了一种新的基于池的视觉变压器(PiT)。
2024-07-17 21:32:15
894
原创 AlexNet-BC：一种用于乳腺癌病理图像分类的深度学习方法
一些常用的卷积神经网络(Convolutional Neural Network, CNN)及其变体，如AlexNet、VGGNet、GoogleNet等，在乳腺癌分类中容易出现过拟合的问题，这主要是由于乳腺病理图像数据集的规模较小，以及过于自信的softmax-cross-entropy loss。为了缓解过拟合问题以获得更好的分类准确性，提出了一种新的乳腺病理分类框架，称为AlexNet-BC模型。该模型使用ImageNet数据集进行预训练，并使用增强数据集进行微调。
2024-07-14 13:57:41
1059
原创 基于深度学习的组织病理学图像IDC检测方法
乳腺癌可以通过对浸润性导管性乳腺癌(IDC)和浸润性小叶性乳腺癌(ILC)的内部组织区域进行检查来确诊。因此，早期诊断乳腺组织异常是至关重要的，以减少风险，使快速和有效的治疗。本研究旨在利用所提出的基于深度学习的算法，利用组织病理学图像，建立一个综合性的浸润性导管癌(invasive ductal carcinoma, IDC) CAD系统。该方案从零开始开发了ConvNet-A、ConvNet-B和ConvNet-C三种不同的CNN模型，分别考虑了8层、9层和19层。
2024-07-13 17:11:50
1210
原创 MaxViT : 多轴Vision Transformer
本文提出了一种高效、可扩展的多轴注意力模型，该模型包括两个方面:局部注意力被阻塞和全局注意力被扩张。这些设计选择允许在任意输入分辨率下的全局-局部空间交互，只有线性复杂度。还通过有效地将注意力模型与卷积混合在一起，提出了一个新的架构元素，并相应地提出了一个简单的分层视觉主干，称为MaxViT，通过简单地在多个阶段重复基本构建块。值得注意的是，即使在早期的高分辨率阶段，MaxViT也能够“看到”整个网络的全局。
2024-07-11 18:13:03
1154
原创 SepViT: Separable（分离式） Vision Transformer
SepViT遵循广泛使用的分层架构(Wang et al . 2021c;Dong et al . 2021)和基于窗口的自我注意(Liu et al . 2021)。此外，SepViT还采用了Chu等人的条件位置编码(CPE) （chu et al. 2021 b, a)。对于每个阶段，都有一个重叠的补丁合并层用于特征图下采样，然后是一系列SepViT块。在步长为4或步长为2的情况下，空间分辨率将逐步降低32倍，通道尺寸将逐级增加一倍。
2024-07-10 17:54:42
796
原创 NesT : 嵌套层次Transformer
探讨了在不重叠的图像块上嵌套基本局部变换的思想，并以分层的方式对它们进行聚合。发现块聚合功能在实现跨块非局部信息通信中起着至关重要的作用。这个观察结果引导我们设计一个简化的体系结构，它需要在原始视觉转换器上进行少量的代码更改。所提出的明智选择的设计有三个好处:(1)NesT收敛速度更快，需要更少的训练数据，以在ImageNet和像CIFAR这样的小数据集上实现良好的泛化;(2)当将我们的关键思想扩展到图像生成时，NesT带来了一个强大的解码器，比以前基于变压器的生成器快8倍;
2024-07-10 11:09:35
835
原创 CrossViT:用于图像分类的交叉注意多尺度Vision Transformer
Vision Transformer, ViT[11]首先将图像分割成一定大小的patch token序列，然后将每个patch线性投影为token。一个额外的分类令牌(CLS)被添加到序列中。此外，由于Transformer Encoder中的自注意力与位置无关，并且视觉应用高度需要位置信息，因此ViT在每个令牌中添加了位置嵌入，包括CLS令牌。之后，所有令牌都通过堆叠的Transformer Encoder传递，最后使用CLS令牌进行分类。
2024-07-02 17:05:06
863
原创 CvT：将卷积引入Vision Transformer
Vision Transformer (ViT)[10]是第一个完全依赖Transformer架构来获得大规模图像分类性能的计算机视觉模型。ViT设计以最小的修改从语言理解适应Transformer架构[9]。首先，将图像分割成离散的不重叠的小块(例如16 × 16)。然后，这些补丁被当作标记(类似于NLP中的标记)，用特殊的位置编码求和以表示粗略的空间信息，并输入到重复的标准Transformer层中以建模全局关系进行分类。
2024-07-01 16:23:18
1043
原创 6.26.4.3 条件生成对抗和卷积网络用于x射线乳房质量分割和形状分类
乳房x线摄影筛查是早期发现乳腺癌最可靠的方法。在各种类型的乳房异常中，如微钙化或结构扭曲，乳房肿块是最重要的发现，因为它们可能提示恶性肿瘤的存在。然而，由于肿块与周围健康组织的高可变性、低对比度和高相似性以及低信噪比，定位肿块和识别肿块边界是一项困难的任务。CAD系统被强烈推荐用于帮助放射科医生检测肿块，勾勒出它们的边界（即肿块分割），以及提出它们的形态特征，如形状类型（不规则、分叶状、椭圆形和圆形）和边缘类型（界限清晰、模糊、定义不清、有毛刺）。
2024-06-28 21:27:08
1029
原创 6.24.4.2 YOLO- logo:一种基于变压器的YOLO分割模型，用于数字乳房x光片中乳腺肿块的检测和分割
在过去的几年中，大多数基于深度学习的图像分割模型都使用基于深度卷积神经网络(cnn)的U-Net (Olaf[6])架构来实现其最佳性能，如U-Net+[7]、Attention U-Net[8]、DenseUNet[9]、R2U-Net[10]、UNet 3+[11]、connected_unet[12]等[13-15]。CNN可以从不同抽象层次的不同领域的数据中自动生成重要特征。这一优势使其成为近年来基于深度学习的计算机视觉研究中最受欢迎的技术。
2024-06-28 18:32:18
673
原创 6.26.4.1 基于交叉视角变换的未配准医学图像多视角分析
许多医学成像任务使用来自多个视图或模式的数据，但很难有效地将这些数据结合起来。虽然多模态图像通常可以在神经网络中作为多个输入通道进行配准和处理，但来自不同视图的图像可能难以正确配准(例如，[2])。因此，大多数多视图模型单独处理视图，只有在全局池化之后才将它们组合起来，这样就消除了视图之间的任何局部相关性。如果这些局部相关性对图像的解释很重要，则可以通过在更早的空间特征级别上链接视图来改进模型。提出了一种在空间特征图层次上链接未注册视图的方法。
2024-06-27 21:52:52
794
原创 6.26.8 基于多视角深度卷积神经网络的高分辨率乳腺癌筛查
开发了一种新的DCN，它能够处理乳房x线摄影筛查的多个视图，并利用大分辨率图像而不缩小。将这种DCN称为多视图深度卷积网络(MV-DCN)。网络学习预测放射科医生的评估，将传入的样本分类为BI-RADS 0(“不完整”)，BI-RADS 1(“正常”)或BI-RADS 2(“良性发现”)。研究了数据集大小和图像分辨率对所提出的MV-DCN筛选性能的影响，这将作为优化未来深度神经网络用于医学成像的事实上的指导方针。通过可视化预测进一步研究了所提出的MV-DCN的潜力。
2024-06-27 18:09:19
915
原创 6.26.7 两阶段卷积神经网络在乳腺癌组织学图像分类中的应用
利用深度学习技术，提出了一种新的两阶段CNN管道，以克服处理超大图像所带来的硬件限制。第一个所谓的patch-wise网络作用于整个图像的较小的补丁，并输出空间较小的特征图。第二个网络在补丁网络之上运行。它接收来自patch-wise网络的特征映射堆栈作为输入，并生成图像级标签分数。在这个框架中，patch-wise网络负责捕获输入的局部特征，而image-wise网络则学习组合这些特征并找到相邻补丁之间的关系，以全局推断图像的特征并生成类自信分数。
2024-06-27 17:29:04
1110
原创 6.26.4 基于视觉变换的乳房x光片分类迁移学习
乳房x线摄影(MG)在乳腺癌的早期发现中起着重要作用。MG可以在早期发现乳腺癌，即使是不能感觉到肿块的小肿瘤。然而，由于mg的复杂性和放射科医生进行的大量检查，可能会出现误诊。为了给放射科医生提供一个公正的视角，应用图像处理方法和模式识别的计算机辅助检测(CAD)已经发展起来。传统的CAD模型并不能显著提高MG的诊断效能。在使用传统CAD进行MG异常识别时，显著的假阳性率是主要障碍。假阳性结果导致患者焦虑、不必要的辐射暴露、无意义的活组织检查、高回复率、更高的医疗费用和更多的检查次数。
2024-06-27 16:36:23
1089
原创 6.26.3 基于Transformer的深度神经网络在数字乳腺断层合成图像上的乳腺癌分类
开发一种有效的深度神经网络模型，该模型结合了相邻图像部分的上下文，以检测数字乳腺断层合成(DBT)图像上的乳腺癌。数字乳房断层合成(DBT)是一种医学成像技术，其中检测器围绕患者以有限角度旋转并记录多幅图像。然后将这些图像重建为二维(2D)切片堆栈，从而改进病变检测、表征和定位。许多研究表明，与2D数字乳房x线摄影相比，DBT在筛查和诊断成像结果方面都有改善(1,2)。虽然DBT正在成为乳腺癌检测的标准，但其解释时间仍然是一个问题(3)。使用神经网络进行DBT的一个关键挑战是三维(3D)数据量;
2024-06-27 10:35:55
1095
原创 6.26.1 残差卷积变压器编码器的混合工作流程用于数字x线乳房x光片乳腺癌分类
本文的改进模型是通过使用改进的深度卷积神经网络(CNN)模型来实现的，该模型在一组乳房x光片斑块上进行训练，将其分类为正常或异常病例。最终的自定义CNN模型包括一个VGG (Visual Geometry Group)序列型结构，该结构有五个块，每个块包含三个带有小3 × 3滤波器的卷积层，一个最大池化层，最后是一个dropout层。该模型在每一层之后都进行了批归一化处理，具有正则化效果，加快了收敛速度。
2024-06-27 09:53:27
785
1
原创 6.13.6 Faster R-CNN
乳房x光检查是由人类读者评估的。阅读过程单调、累人、冗长、昂贵，最重要的是容易出错。尽管有现代，但漏诊癌症的问题仍然存在。据报道，筛查乳房x光检查的敏感性和特异性分别在77-87%和89-97%之间。这些指标描述了阅读者的平均表现，而个别医生的表现存在很大差异，报告的假阳性率在1-29%之间，敏感性在29 - 97%之间10-12。重复阅读被发现可以提高乳房x光检查的效果，并已在许多国家实施。多次读数可以进一步提高诊断性能，多达10个以上的读数，证明乳房x光检查评估在双重读数之外还有改进的空间。
2024-06-24 11:23:40
798
原创 6.13.1 使用残差神经网络堆叠集成进行乳腺肿块分类和诊断的综合框架
本研究中，实现了一个堆叠的 ResNet 模型集成，以将乳腺肿块分类为恶性或良性，并诊断其 BI-RADS 类别评估，评分范围为 2 到 6，形状为椭圆形、圆形、分叶状或不规则形。与单个架构和应用于现有基准数据集的其他方法相比，所提出方法的结果显示分类性能有所提高。在两个公共数据集上实现了最高的病理分类性能：CBIS-DDSM 的准确率为 95.13%，AUC 得分为 0.95，INbreast 的准确率为 99.20，AUC 得分为 0.99。
2024-06-13 22:26:25
899
1
原创 6.7.31 使用端到端训练的基于 EfficientNet 的卷积网络在双视图乳房 X 线摄影中进行乳腺癌诊断
提出了一种深度卷积网络，该网络同时考虑了乳房 X 线摄影同一侧的两个视图，该网络经过端到端训练，从而实现了三个迁移学习。首先，使用在自然图像上训练的 EfficientNet 的权重来训练补丁分类器其次，使用块分类器权重来训练单视图分类器第三，使用单视图分类器权重来训练双视图分类器使用 5 倍交叉验证，系统在对具有两个视图的 CBIS-DDSM 乳房 X 光照片进行分类时实现了 0.9344±0.0341 的 AUC（在 ROC 的等错误率点处，准确度、灵敏度和特异性为 85.13%）。
2024-06-12 22:41:43
764
原创 6.7.32 用于计算机辅助检测和诊断研究的精选乳房 X 线摄影数据集
计算机辅助检测 (CADe) 和诊断 (CADx) 系统旨在协助放射科医生对乳房 X 线摄影进行解释。CADe 用于发现乳房 X 线摄影中的异常结构，而 CADx 用于确定所发现异常的重要性。当前的 CADe 系统受到高假阳性率的限制，并且乳房 X 线摄影的 CADx 系统尚未获准用于临床。尽管乳房 X 线摄影中 CAD 的技术难度很大，但还有另一个障碍必须解决才能实现这项研究：决策支持系统评估。
2024-06-11 10:57:42
793
原创 6.7.29 基于卷积神经网络的乳腺良恶性图像分类
本研究提出了一种基于 mini-MIAS 训练的 CNN 形式的新型深度学习模型，用于对良性和恶性异常进行分类。为了增强图像特征并提高分类性能，提出了一种预处理算法，该算法使用一系列预处理方法，例如裁剪、GCN、局部直方图均衡化和平衡预处理。CNN 模型以原始图像的 ROI 作为输入，实现异常的特征学习和分类。为了满足乳腺图像的要求，提出了一种数据增强方法来改善数据稀缺性并防止过度拟合。进行了特定的实验以探索 CNN 层结构和内核或激活函数对分类性能的影响。
2024-06-10 17:55:56
657
原创 6.7.13 MV-Swin-T：使用多视图 SWIN 变压器进行乳房 X 光检查分类
传统的乳腺癌分类深度学习方法主要集中在单视图分析上。然而，在临床实践中，放射科医生会同时检查乳房 X 线摄影检查中的所有视图，利用这些视图中固有的相关性来有效检测肿瘤。在本文中，我们提出了一种完全基于 Transformer 的创新多视图网络，以解决乳房 X 线摄影图像分类中的挑战。我们的方法引入了一种，并促进了这些信息在空间特征图级别视图之间的连贯传输。
2024-06-09 17:13:00
1183
原创 6.7.12 使用 SWIN Transformer 通过热图像实现乳腺癌检测系统
乳腺癌是重大的公共卫生挑战，需要有效的诊断方法。虽然超声、乳房 X 线照相和 MRI 仍然至关重要，但它们在定期、短间隔大规模筛查中的实用性有限。热成像作为一种非侵入性且经济有效的选择，具有常规自我筛查的潜力。本研究利用基于自注意力的 Vision Transformer 设计代替传统的 CNN，探索了用于乳腺癌检测的各种 SWIN 变压器变体和增强策略。使用，将其划分为训练、测试和验证子集，比例为 70:15:15，获得的结果显示出巨大的前景。
2024-06-09 11:05:45
1107
2
原创 6.7.11 一种新的迁移学习方法可提高乳房 X 线摄影筛查中乳腺癌的诊断率
分割过程是涉及要分析图像的任何基于机器学习的工作中的一个有效阶段。在工作中，使用两个 CNN 预训练模型，即 ResNet-50 和 VGG16，用于从乳房 X 线摄影图像中获取属性。VGG16 充当二分类和多类乳房 X 线摄影图像的特征提取器。此过程是在适当调整 VGG16 模型后完成的。另一方面，ResNet-50 用于图像分类、对象检测和对象定位等功能。使用前面提到的模型开发的系统提供了 ResNet-50 的 96.49% 准确率和 VGG16 的 95.48% 准确率。
2024-06-08 22:07:57
759
原创 5.31.15 使用图像到图像转换和 YOLO 技术对先前的乳房 X 光检查结果中的异常进行早期检测和分类
乳腺癌最常见的症状是乳腺结构和组织外观的严重变化，还伴有乳腺肿瘤和细胞簇的快速形成。乳房 X 线检查是早期检测和诊断乳腺癌的有效医学影像工具之一，可降低早期乳腺癌的晚期和致死率。为了检查潜在病变（如肿块、钙化、结构扭曲），放射科医生依靠人类的视觉理解来检测和提取乳房 X 线照片中的所有诊断信息。然而，已证明大约 10% 到 30% 的癌症病例在筛查乳房 X 线照片中被漏掉，这会产生高达 50% 的假阴性率，具体取决于病变类型和乳腺密度 [6]。
2024-06-07 20:59:00
1356
原创 5.31.8 学习深度特征以实现判别定位
一种通用技术，称为类激活映射 (CAM)，用于具有全局平均池化的 CNN。经过分类训练的 CNN 能够学习执行对象定位，而无需使用任何边界框注释。类激活图使我们能够可视化任何给定图像上的预测类别分数，突出显示 CNN 检测到的判别性对象部分。在 ILSVRC 基准上评估了我们在弱监督对象定位上的方法，证明了我们的全局平均池化 CNN 可以执行准确的对象定位。此外，证明了 CAM 定位技术可以推广到其他视觉识别任务，即我们的技术可以生成通用的可定位深度特征。
2024-06-06 21:02:34
1032
原创 5.23.3 乳腺癌成像中的深度学习：十年的进展和未来方向
乳腺癌已成为全球发病率最高的恶性肿瘤，预计2020年将有230万新发病例。尽管自1989年以来死亡率稳步下降，但乳腺癌仍然是全球癌症死亡的第五大原因，也是妇女癌症死亡的主要原因，在过去40年的大部分时间里，发病率不断上升，估计2020年将有68.5万人死亡[2], [3]。乳腺癌根据是否扩散可分为浸润性癌和原位癌，浸润性癌根据扩散程度又分为I、II、III、IV期四个阶段[4]。
2024-06-06 17:15:49
752
原创 5.31.1 数字乳房断层合成
基于筛查和诊断成像结果的改进，数字乳腺断层合成 (DBT) 正在成为乳腺成像的护理标准。从断层合成采集中获得的附加信息减少了重叠组织的混杂效应，从而改进了病变检测、表征和定位。此外，从重建的 DBT 数据集中获得的准三维信息可以比单独使用二维全视野数字乳房 X 线摄影进行更有效的成像处理。在此，作者回顾了 DBT 成像在筛查和诊断乳腺成像中的优势。数字乳房断层合成（DBT）设计跨弧线采集的多个投影，这些投影被重建为一系列堆叠图像。
2024-06-05 17:04:46
866
原创 SiT : Self-supervised vision Transformer
自监督预训练可以显著提高下游任务的性能 [1]，[16]。在语音识别 [17] 和计算机视觉应用 [18]、[19]、[20]、[21] 中也观察到了类似的趋势。自监督预训练，特别是与 Transformer [22] 结合使用，是 NLP [1]、[16] 的首选模型。SSL 的成功是以海量数据集和大容量模型为代价的。视觉 Transformer 的预训练主要使用监督学习的超大规模数据集，例如由数亿个标记样本组成的数据集 [3]。
2024-06-03 17:28:04
878
原创 5.25.12 数字组织病理学的自我监督对比学习
机器学习任务中标记图像的数量与任务绩效呈正相关；然而，标记数据稀缺且昂贵。这一问题在医学图像分析任务中更加严重，因为医学图像分析任务通常需要专家注释。由于有关传播私人患者数据的规定，标记也必须在现场进行。在任何医学图像分析任务中，最费力和最耗时的步骤往往是标记数据，已经提出了几种方法来缓解这种数据注释瓶颈。研究发现，可以利用未标记数据的无监督和自监督方法，以及使用部分标记数据的半监督方法可以提高任务绩效。大多数自监督技术都依赖于自然场景图像属性，而这些属性不适用于组织病理学图像。
2024-06-02 18:00:18
663
原创 5.25.1 用于组织病理学图像分类的深度注意力特征学习
使用组织活检的显微镜组织病理学检查已广泛应用于癌症诊断，并在实践中被视为确诊金标准。诊断报告（包括分级和分期）通常由经验丰富的病理学家通过目视检查组织学样本完成。随着图像处理技术的最新进展，这种组织病理学分析的自动化变得越来越可能，从而帮助病理学家提高工作效率和客观性。作为一项基本任务，组织病理学图像的分类近年来备受关注。然而，由于组织病理学图像固有的复杂视觉模式，这种分类任务相当具有挑战性。早期的组织病理学图像分类研究主要依赖于从整个图像或分割块中提取的手工特征。
2024-05-31 20:58:47
783
原创 5.25.10 基于 Yolo 的乳房 X 光检查乳腺癌检测模型
旨在实现一种自动化数据驱动的乳房 X 线照片乳腺癌检测模型，以支持医生在乳腺癌筛查或检测计划中的决策过程。公开的 CBIS-DDSM 和 INbreast 数据集被用作在全视野数字乳房 X 线照片专有数据集上实现迁移学习技术的来源。专有数据集反映了一个真实的异构案例研究，包括 190 个肿块、46 个不对称和 71 个扭曲。比较了几种 Yolo 架构，包括 YoloV3、YoloV5 和 YoloV5-Transformer。
2024-05-30 11:45:59
808
2
switch-case分支结构
2022-07-30
C语言编程出现错误问题
2022-07-30
C语言编程高富帅问题，报错
2022-07-30
找到了照片的位置，但是不知道前端这个照片到底连接的那个照片在哪
2022-05-06
导入整个工程之后，通过tomcat发布，但是最后的结果是这样。
2022-04-19
网页方面的设置全部出现问题
2022-04-18
导入工程之后包的地方报错
2022-04-18
依赖说的是找不到这个项目，如何解决？
2022-02-28
IDEA中怎样快速创建webapp包
2022-02-23
IDEA中提示报错问题
2022-02-22
premiere Pro2019文字工具没法使用
2022-01-15
java编译时一直提示找不到符号，utility已编译
2022-01-14
TA创建的收藏夹 TA关注的收藏夹
TA关注的人