用中文的表达润色以下句子:训练用于计算病理学的深度学习方法,需要对具有千兆像素的全切片病理图像(Whole Slide Images,WSI)进行人工标注,或者需要标注了全切片级别标签的大型病理图像数...

在本文中,我们提出了一种可解释的弱监督深度学习方法——聚类约束注意多实例学习(Clustering-constrained-attention Multiple-instance Learning, CLAM),它可以有效地处理和学习具有千兆像素的全切片病理图像(Whole Slide Images,WSI),而不需要进行人工标注,也不需要大型病理图像数据集标注了全切片级别标签。CLAM通过注意力机制来识别具有高诊断价值的子区域,并在识别出的代表区域上进行实例级聚类,以限制和细化特征空间,以实现对整个WSI的准确分类,而且不存在域适应和可解释性差的问题。实验结果表明,CLAM和标准的弱监督分

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值