自动基于图像的疾病严重程度估计通常使用离散（即量化）严重性标签。由于图像含糊不清，因此通常很难注释离散标签。一个更容易的替代方法是使用相对注释，该注释比较图像对之间的严重程度。通过使用带有相对注释的学习对框架，我们可以训练一个神经网络，该神经网络估计与严重程度相关的等级分数。但是，所有可能对的相对注释都是过敏的，因此，适当的样品对选择是强制性的。本文提出了深层贝叶斯的主动学习与级别，该级别训练贝叶斯卷积神经网络，同时自动选择合适的对进行相对注释。我们通过对溃疡性结肠炎的内窥镜图像进行实验证实了该方法的效率。此外，我们确认我们的方法即使在严重的类失衡中也很有用，因为它可以自动从次要类中选择样本。
translated by 谷歌翻译
这项工作提出了一种新型的自我监督的预训练方法，以学习有效的表示，而没有在组织病理学医学图像上使用放大倍率的因素进行标签。其他最先进的工作主要集中在完全监督的学习方法上，这些学习方法严重依赖人类注释。但是，标记和未标记数据的稀缺性是组织病理学的长期挑战。当前，没有标签的表示学习仍未探索组织病理学领域。提出的方法是放大事先的对比相似性（MPC），可以通过利用放大倍率，电感转移和减少人类先验的宽度乳腺癌数据集中的无标签来进行自我监督的学习。当仅20％的标签用于微调和表现以前的工作中，在完全监督的学习环境中，该方法与恶性分类的最新学习相匹配。它提出了一个假设，并提供了经验证据来支持，从而减少人类优先导致自学中有效表示学习。这项工作的实施可在github-https：//github.com/prakashchhipa/magnification-prior-self-supervised-method上在线获得。
translated by 谷歌翻译
溃疡性结肠炎（UC）分类，是内窥镜诊断的重要任务，涉及两个主要困难。首先，具有关于UC（正或负）注释的内窥镜图像通常是有限的。其次，由于冒号中的位置，它们在外观上显示出大的变化。特别是，第二个困难阻止了我们使用现有的半监督学习技术，这是第一个难度的常见补救措施。在本文中，我们通过新利用两个附加特征，提出了一种用于UC分类的实际半监督学习方法，结肠中的位置（例如，左冒号）和图像捕获顺序，两者通常都附加到内窥镜中的各个图像图像序列。该方法可以通过与这些功能有效地提取UC分类的基本信息。实验结果表明，所提出的方法在分类任务中优于若干现有的半监督学习方法，即使具有少量注释的图像。
translated by 谷歌翻译
字体或字体的样式通常与特定印象相关联，例如沉重，当代或优雅。这表明字体形状与其印象之间存在某些相关性。要了解相关性，本文意识到附近嵌入了字体及其印象的共享潜在空间。难度是附着在字体上的印象词往往非常嘈杂。这是因为印象词是非常主观和多样化的。更重要的是，一些印象词与字体形状没有直接相关，并且会扰乱共享潜空间的实现。因此，我们使用DepeSets来增强形状相关的单词并在训练共享潜空间时自动抑制形状无关的单词。具有大型字体 - 印象数据集的定量和定性实验结果表明，所提出的方法的共享潜在空间适当描述了相关性，特别是对于形状相关的印象词。
translated by 谷歌翻译