WenBoo--CSDN博客

原创论文阅读（一）《 RethinkingMultipleInstanceLearningforWhole SlideImageClassification:AGoodInstance Classi》

弱监督的全切片图像（WSI）分类通常被表述为一个多实例学习（MIL）问题，其中每个切片被视为一个包，从中切出的小区域被视为包的实例。现有方法要么通过伪标记训练实例分类器，要么通过注意力机制聚合实例特征到包特征，然后训练包分类器，其中注意力分数可以用于实例级分类。然而，前者构建的伪实例标签通常包含大量噪声，后者构建的注意力分数也不够准确，这两者都影响了它们的性能。在本文中，我们提出了一个。

2024-07-04 20:27:42 578

原创 mimics安装、激活、使用教程

1.安装完成后先不要运行软件，找到安装目录下LicSrvConfig.exe，管理员身份运行后，点stop，默认路径在：C:\Program Files (x86)\Common Files\Materialise\LicenseFiles6，成功关闭后，关闭LicSrvConfig.exe窗口。5.先选择安装位置，默认路径为"C:\Program Files\Materialise\ "，可以将C盘修改为其他盘(如E盘)，再选择第一项 "Custom"（自定义）；

2024-07-01 12:49:25 1107

原创研一下第十八周论文阅读情况

其次，为了捕获整个幻灯片上的局部和全局模式，我们提出了一种新的视觉Transformer：GigaPath，用于在十亿像素病理幻灯片上预训练大型病理基础模型，并通过采用我们最近开发的LongNet方法来利用扩展的Self-Attention。具体来说，我们提出了。特别是，我们发现使用2300万个参数的较小版本的provi - gigapath也获得了比现有方法更好的性能，证明了两种模型在现实世界诊所中的应用:用于快速推理和微调的小模型，以及用于更准确推理的大模型(provi - gigapath)。

2024-06-25 19:32:27 626 1

原创研一下第十六周论文阅读情况

在我们的实验中，实现了精度、准确率和召回率的持续改进，但训练时间和内存消耗却大幅减少，这证明了ReMix的有效性和效率。在未来，我们的PseMix可以作为一种有前景的数据增强方法，帮助开发具有更好泛化和鲁棒性的WSI分类模型，用于临床病理学诊断。我们的ReMix可以显著改进先前的最先进的MIL分类方法，同时以更快的训练速度和更少的内存消耗展现了其有效性和效率。据我们所知，从数据增强的角度研究弱监督学习，以处理因训练数据不足和类别不平衡而受困扰的WSI分类问题，这方面的研究相对较少。

2024-06-12 15:07:54 684

原创研一下第五周论文阅读情况

一、《Automatic segmentationof trabecular and corticalcompartments in HR‑pQCT imagesusing an embedding‑predictingU‑Net and morphologicalpost‑processing》1、Abstract：高分辨率外周定量计算机断层扫描(HR-pQCT)是一种新兴的骨微结构定量体内成像方式。然而，从HR-pQCT图像中提取定量的微建筑参数需要对图像进行精确的分割。目前使用半

2024-03-30 15:52:22 1990

原创研一下第四周论文阅读情况

一、《In-context learning enables multimodal large language models to classify cancer pathology images》1、Abstract：医学图像分类需要标记的、针对特定任务的数据集，这些数据集用于从头开始训练深度学习网络，或用于微调基础模型。然而，这个过程在计算和技术上都很复杂。在语言处理领域，上下文学习提供了一种替代方案，即模型从提示中学习，无需更新参数。然而，上下文学习在医学图像分析领域的研究仍然不足。在本文中

2024-03-21 13:16:20 1948

原创研一第二十一周论文阅读情况

一、《Benchmarking PathCLIP for Pathology Image Analysis》1、Abstract：准确的图像分类和检索对于临床诊断和治疗决策具有重要意义。最近的对比语言图像预训练（CLIP）模型在理解自然图像方面表现出了显着的能力。从CLIP中汲取灵感，PathCLIP专为病理学图像分析而设计，在训练中使用超过200，000个图像和文本对。虽然PathCLIP的性能令人印象深刻，但其在各种图像损坏下的鲁棒性仍然未知。因此，我们进行了广泛的评估，以分析P

2024-01-15 18:06:56 1707 1

原创研一第十八周论文阅读情况

最后，我们证明了合成数据可以有效地训练AI模型。我们的实验结果表明，在各种设置下，CLAF在不平衡的图像数据集上优于基线，证实了CLAF在不平衡的SSL中表现出显著的表示学习能力。由于利用未标记数据和学习有意义的表示的优势，半监督学习和对比学习已经逐步结合，以在具有少量标记数据和大量未标记数据的流行应用中实现更好的性能。一种常见的方式是将伪标签分配给未标记的样本，并从伪标记的样本中选择正样本和负样本来应用对比学习。然而，真实世界的数据可能是不平衡的，导致伪标签偏向于大多数类，并进一步破坏对比学习的有效性。

2024-01-15 11:42:37 427 1

原创研一第二十周论文阅读情况

具体来说，GPS-SSL摆脱了基于数据增强的常规正样本采样方法，而是通过在某些指定的嵌入空间中测量数据的最近邻居来生成正样本。也就是说，GPS-SSL引入了一种全新的轴研究，并改进了与数据增强和损失设计相辅相成的SSL。事实上，我们观察到，尽管GPS-SSL在我们的实验中达到了或超过了SSL的性能，但在不知道最佳数据增强的情况下，性能差距更大。现有的视觉文本对比学习，如CLIP（Radford等，2021年），旨在匹配图像和描述的配对嵌入，同时将其他内容推开，这提高了表示的可转移性并支持零次预测。

2024-01-15 11:42:01 834

原创研一第十七周论文阅读情况

利用3D打印材料本身的挠曲特性，我们设计了一种类似跷跷板的机械结构，能够将一侧的大位移转换为另一侧的小位移（降低到9.1%），从而实现约5𝜇m的聚焦精度，这比3D打印本身的加工精度高40倍。对于问题的制定，我们提出了一个轮廓演化模型的非独立和同分布（非IID）噪声跨像素在每个客户端，然后将其扩展到多源数据的情况下，形成一个异构的噪声模型（跨客户端的非IID注释噪声）。然而，由于客户端之间的样本不平衡以及来自不同器官的大数据异质性，可变的分割任务和多样化的分布，它仍然是一项具有巨大挑战的任务。

2023-12-22 12:00:09 942 4

原创研一第十六周论文阅读情况

这相当于删除所有拓扑在保持拓扑关键性的同时，等效区域两个图像具有不同的外观同时具有与原始拓扑结构相同的拓扑结构形象将提出的DSPIF应用于相互监督的网络，可以减少其错误共识。密集的实验表明，我们的方法显着优于监督基线和国家的最先进的SSL方法的前1名的分类准确率为87.56%。解决标记数据稀缺的问题数字病理图像中的不平衡数据集问题，我们的工作已经表明通过在SSL阶段利用附近的补丁作为阳性样本，提出的方法可以具有更鲁棒的表示，并在下游任务。在未来的工作中，我们的目标是将我们的方法扩展到其他医学成像领域。

2023-12-19 09:50:47 901

原创 It2CLR模型复现情况

1、一开始打算使用byyp包从百度网盘中进行下载，但是在bypy info阶段绑定的账号没有足够的空间在存储Camelyon16数据集，换账号重新绑定bypy包失败，所以更换方法；1）XXX.txt数据集：该数据集记录的camelyon16中每一张图片；2）all_patches.csv数据集：该数据集记录的是。2、代码中dataset部分共有两个数据集。第三步：使用tmux新建会话进行后台下载。1、CAMELYON16 数据集。第二步：编写爬虫程序。

2023-12-10 21:17:53 159 6

原创研一第十五周论文阅读情况

流行的联合 SSL 范式。其次，由于wsi可以产生大的或不平衡的包，阻碍了MIL模型的训练，我们建议使用自监督对比学习来提取良好的MIL表示，并缓解大包的内存成本过高的问题。具体来说，在本文中，我们提出通过稳定的基于网格的匹配来学习全局和局部优化，将预训练的PEAC模型转移到不同的下游任务中，并广泛地证明了（1）PEAC比现有的最先进的完全/自监督方法实现了更好的性能，以及（2）PEAC捕获跨同一患者的视图以及跨不同性别、体重和健康状态的患者的解剖结构一致性，这增强了我们用于医学图像分析的方法的可解释性。

2023-12-10 21:16:19 135

原创研一第十三周论文阅读情况

此外，仅在合成数据上训练的模型接近在真实数据上训练的模型的性能。在这项工作中，我们提出了UR-SAM，这是一个用于自动提示医学图像分割的不确定性校正SAM框架，它利用生成边界框提示的提示增强来进行不确定性评估，并利用估计的不确定性来纠正分割结果以提高准确性。在两个涵盖35个器官分割的公共3D医学数据集上进行的大量实验表明，无需补充训练或微调，我们的方法在不进行手动提示的情况下进一步提高了分割性能，最多提高了10.7%和13.8%的Dice相似系数，证明了其在医学图像分割中的效率和广泛能力。

2023-11-21 20:22:12 238

qq_51393239的博客